「图解大厂面试高频算法题」动态规划-乘积最大子数组

「图解大厂面试高频算法题」动态规划-乘积最大子数组

PS: 本文为「图解大厂面试高频算法题」专题，主旨是根据“二八法则”的原理，以付出20%的时间成本，获得80%的刷题的收益，让那些想进互联网大厂的人少走些弯路。

PS: 欢迎关注我获取更多大厂面试总结。

原题链接: https://leetcode-cn.com/problems/maximum-product-subarray/

题目介绍

PS: 动态规划题型中最最经典的入门题目。

示例1

输入: [2,3,-2,4]
输出: 6
解释: 子数组 [2,3] 有最大乘积 6。

示例2

输入: [-2,0,-1]
输出: 0
解释: 结果不能为 2, 因为 [-2,-1] 不是子数组。

题目解答

方法一：一维动态规划

思路和算法

大家可以先思考一下子数组构成的要素，有这么一个关键点，那就是这个数组肯定有一个起始元素和一个末尾元素，如果我们算出了以nums[i-1]元素为末尾的子数组乘积的最大值，那以nums[i]元素为末尾的子数组乘积的最大值是不是就是max(nums[i-1]元素为末尾的子数组乘积的最大值 * nums[i], nums[i])？大家可以仔细思考一下。
其实离正确答案很接近了，就差了一点点，因为没有考虑到有nums数组里有负数的情况。如果nums[i]元素为负数，如果可以找到一个以nums[i-1]元素为末尾的子数组乘积的最小值(最好也是负数)，与nums[i]相乘是不是就有可能得到一个更大的数？确实如此，那我们尝试去写一下状态转移方程。

构建两个dp数组dpMax和dpMin。

• dpMax[i]表示以nums[i]元素结尾的子数组的乘机，且乘机是最大的。
• dpMin[i]表示以nums[i]元素结尾的子数组的乘机，且乘机是最小的。

这样我们就可以得出状态转移方程

• dpMax[i] = max(nums[i], dpMax[i-1] * nums[i], dpMin[i-1] * nums[i]);
• dpMin[i] = min(nums[i], dpMax[i-1] * nums[i], dpMin[i-1] * nums[i]);

图解算法

第一次迭代

第二次迭代

第三次迭代

这次迭代完后，达到了终止状态，最终的结果为48

代码实现

class Solution {
    public int maxProduct(int[] nums) {
        if (nums == null || nums.length == 0) {
            return 0;
        }
        int[] dpMax = new int[nums.length];
        int[] dpMin = new int[nums.length];
        dpMax[0] = nums[0];
        dpMin[0] = nums[0];
        int result = nums[0];
        for (int i = 1; i < nums.length; i++) {
            dpMax[i] = Math.max(nums[i], Math.max(dpMax[i-1] * nums[i], dpMin[i-1] * nums[i]));
            dpMin[i] = Math.min(nums[i], Math.min(dpMax[i-1] * nums[i], dpMin[i-1] * nums[i]));
            result = Math.max(result, dpMax[i]);
        }
        return result;
    }
}

复杂度分析

• 时间复杂度：程序一次循环遍历了 nums，故渐进时间复杂度为 O(n)。
• 空间复杂度：new了两个dp数组，故空间复杂度为 O(n)。

方法二：迭代(动态规划优化版)

思路和算法

在一维动态规划中我们需要new两个dp数组，导致了额外的空间占用。根据滚动数组思想，使用两个临时遍历就可以把dp数组优化掉。

代码实现

class Solution {
    public int maxProduct(int[] nums) {
        int result = nums[0];
        int max = nums[0];
        int min = nums[0];
        for (int i = 1; i < nums.length; i++) {
            int maxt = Math.max(nums[i]*min, Math.max(nums[i]*max, nums[i]));
            int mint = Math.min(nums[i]*min, Math.min(nums[i]*max, nums[i]));
            result = Math.max(result, maxt);
            max = maxt;
            min = mint;
        }
        return result;
    }
}

复杂度分析

• 时间复杂度：程序一次循环遍历了 nums，故渐进时间复杂度为 O(n)
• 空间复杂度：优化后只使用常数个临时变量作为辅助空间，与 n 无关，故渐进空间复杂度为 O(1)