152. Maximum Product Subarray**(乘积最大子数组)
https://leetcode.com/problems/maximum-product-subarray/
题目描述
Given an integer array nums
, find a contiguous non-empty subarray within the array that has the largest product, and return the product.
It is guaranteed that the answer will fit in a 32-bit integer.
A subarray is a contiguous subsequence of the array.
Example 1:
Input: nums = [2,3,-2,4]
Output: 6
Explanation: [2,3] has the largest product 6.
Example 2:
Input: nums = [-2,0,-1]
Output: 0
Explanation: The result cannot be 2, because [-2,-1] is not a subarray.
Constraints:
1 <= nums.length <= 2 * 10^4
-10 <= nums[i] <= 10
- The product of any prefix or suffix of nums is guaranteed to fit in a 32-bit integer.
代码实现
乘积最大子数组 是一道经典的动态规划题目, 它和 53. Maximum Subarray*(最大子序和)
以及 300. **Longest Increasing Subsequence (最长递增子序列) 这几道题给我留下的印象太深刻了, 看到名字就知道需用动态规划的方法 🤣🤣🤣
做这道题之前, 可以看看另外两道题, 找找用动态规划进行求解的感觉. 做这题时, 很容易将它和 53. Maximum Subarray*(最大子序和) 联系起来, 因为它们的思路很类似: 先定义状态转移方程, 比如 dp[i]
表示以 nums[i]
结尾的子数组的最大值 (乘积或者求和), 那么更新 dp[i + 1]
时, 对于 53. Maximum Subarray*(最大子序和) , 状态方程为 dp[i + 1] = max(dp[i] + nums[i], nums[i]);
, 然而对于本题来说, 求最大乘积, 我们却不能直接使用 dp[i + 1] = max(dp[i] * nums[i], nums[i]);
原因是本题数组中是存在负数的, 即使 dp[i]
是负数, 也可能通过和 nums[i]
进行乘积, 从而得到正数. 那么矛盾就出现了, 我们在定义时, 希望 dp[i]
始终保存最大值, 但是就算 dp[i]
不是最大值, 也有可能在 dp[i + 1]
取得最大值 (通过负负得正的方式).
那如何解决这个矛盾呢 ? 方法是使用两个 dp
数组, 其中数组 A
维护以 nums[i]
结尾的子数组的最大乘积值, 而引入数组 B
来维护以 nums[i]
结尾的子数组的最小值. 之后写状态方程时, 需要同步更新两个数组的状态.
对于数组 A
, 要维护每个元素始终表示 “以 nums[i]
结尾的子数组的最大乘积值”, 除了要比较 A[i - 1] * nums[i]
和 nums[i]
大小外, 还需要考虑 B[i - 1]
这个最小值可能通过和 nums[i]
进行乘积的方式 (比如负负得正) 得到较大的正数, 因此更新 A[i]
时, 要比较 A[i - 1] * nums[i]
和 B[i - 1] * nums[i]
以及 nums[i]
的大小:
A[i] = max(max(A[i - 1] * nums[i], B[i - 1] * nums[i]), nums[i]);
同理对于数组 B
, 要维护每个元素始终表示 “以 nums[i]
结尾的子数组的最小乘积值”, 也要比较 A[i - 1] * nums[i]
和 B[i - 1] * nums[i]
以及 nums[i]
的大小, 不过这里是比较它们中的最小值, 毕竟 A[i - 1] * nums[i]
也可能因为 A[i - 1]
为正数而 nums[i]
为负数, 导致得到的乘积结果最小:
B[i] = min(min(A[i - 1] * nums[i], B[i - 1] * nums[i]), nums[i]);
在实际编码时, 需要注意:
- 考虑到遍历数组时
i
从0
开始, 那么当i == 0
时,A[i - 1]
就是A[-1]
, 越界了, 为此, 我们可以定义A[i + 1]
表示以nums[i]
结尾的子数组的最大乘积, 这种技巧应该很容易就想到; A
和B
的初始化, 比如A[0]
和B[0]
均初始化为 1, 用于乘积;
下面看具体代码:
class Solution {
public:
int maxProduct(vector<int>& nums) {
vector<int> A(nums.size() + 1, 1), B(nums.size() + 1, 1);
int res = nums[0];
for (int i = 0; i < nums.size(); ++ i) {
A[i + 1] = max(max(A[i] * nums[i], B[i] * nums[i]), nums[i]);
B[i + 1] = min(min(A[i] * nums[i], B[i] * nums[i]), nums[i]);
res = max(res, A[i + 1]);
}
return res;
}
};
由于 A
维护最大值, 所以最后其实是求 A
中的最大值, 使用 *std::max_element(A.begin(), A.end())
来得到结果也是可以的.
写完代码后, 观察下是否能再优化一下, 比如 A[i + 1]
只和 A[i]
相关, 只需要使用一个变量来表示 A[i]
即可, 同理 B[i]
也如此, 这样可以优化空间的占用. 代码如下:
class Solution {
public:
int maxProduct(vector<int>& nums) {
int A = 1, nA = 1, B = 1, nB = 1;
int res = nums[0];
for (int i = 0; i < nums.size(); ++ i) {
nA = max(max(A * nums[i], B * nums[i]), nums[i]);
nB = min(min(A * nums[i], B * nums[i]), nums[i]);
A = nA;
B = nB;
res = max(res, A);
}
return res;
}
};
下面另一种解法更为巧妙一些:
class Solution {
public:
int maxProduct(vector<int>& nums) {
if (nums.empty()) return 0;
int imax = nums[0], imin = nums[0];
int res = nums[0];
for (int i = 1; i < nums.size(); ++i) {
if (nums[i] < 0) std::swap(imax, imin);
imax = max(nums[i], imax * nums[i]);
imin = min(nums[i], imin * nums[i]);
res = max(res, imax);
}
return res;
}
};