53. Maximum Subarray*(最大子序和)

53. Maximum Subarray* (最大子序和)

https://leetcode.com/problems/maximum-subarray/

题目描述

Given an integer array nums, find the contiguous subarray (containing at least one number) which has the largest sum and return its sum.

Example 1:

Input: nums = [-2,1,-3,4,-1,2,1,-5,4]
Output: 6
Explanation: [4,-1,2,1] has the largest sum = 6.

Example 2:

Input: nums = [1]
Output: 1

Example 3:

Input: nums = [0]
Output: 0

Example 4:

Input: nums = [-1]
Output: -1

Example 5:

Input: nums = [-100000]
Output: -100000

Constraints:

• 1 <= nums.length <= 3 * 104
• -105 <= nums[i] <= 105

代码实现

最大子序和是一道经典的动态规划题目, 它要统计子数组的和, 并返回其中最大的值.

要写出状态转移方程, 需要先定义 dp 数组的含义. 该题中变化的量只是各个元素, 因此只需要用一维数组来保存各个阶段的状态. 定义 dp[i] 表示以 nums[i] 结尾的子数组的最大和, 那么, 现在要查找 dp[i] 和 dp[i - 1] 的关系.
如果 dp[i - 1] + nums[i] < nums[i], 就是说 dp[i -1] 对应的子数组最大和小于 0, 那么考虑到 dp[i] 对应的子数组必须以 nums[i] 结尾, 那么 dp[i - 1] 对应的子数组就可以舍弃, 而直接从 nums[i] 重新构建子数组;
而如果 dp[i - 1] + nums[i] > nums[i], 那么此时 nums[i] 就可以加入到 dp[i - 1] 对应的子数组中.
因此状态转移方程为 dp[i] = max(dp[i - 1] + nums[i], nums[i]). 另外使用 res 来保存所有子数组中的最大和.

动态规划中还需要设置好初始情况, 假设 i = 0, dp[0] 就和 dp[-1] 有关, 一方面 dp[-1] 可以初始化为 0; 另一方面由于不存在 -1 索引, 所以给 dp 数组大小设置为 N + 1, 其中 N 为 nums 的大小.
这样的话, 相当于使用 dp[i + 1] 来保存以 nums[i] 为结尾的子数组的最大和. 因此下面代码中, 状态转移方程写成了 dp[i + 1] = max(dp[i] + nums[i], nums[i]).

class Solution {
public:
    int maxSubArray(vector<int>& nums) {
        vector<int> dp(nums.size() + 1, 0);
        int res = INT32_MIN;
        for (int i = 0; i < nums.size(); ++ i) {
            dp[i + 1] = max(dp[i] + nums[i], nums[i]);
            res = max(res, dp[i + 1]);
        }
        return res;
    }
};

写完动态规划的基本代码后, 需要再看下能否优化, 容易注意到 dp[i+1] 只和它前一个状态 dp[i] 有关, 所以只需要用一个变量来保存前一个状态的结果. 因此优化为如下代码, 减少空间占用.

class Solution {
public:
    int maxSubArray(vector<int>& nums) {
        int dp = 0;
        int res = INT32_MIN;
        for (int i = 0; i < nums.size(); ++ i) {
            dp = max(dp + nums[i], nums[i]);
            res = max(res, dp);
        }
        return res;
    }
};