题目描述:
输入一个整型数组,数组中的一个或连续多个整数组成一个子数组。求所有子数组的和的最大值。
示例1 :
输入: nums = [-2,1,-3,4,-1,2,1,-5,4]
输出: 6
解释: 连续子数组 [4,-1,2,1] 的和最大,为 6。
提示:
1 <= arr.length <= 10^5
-100 <= arr[i] <= 100
>>>>>>>>>>>>>>力扣原题传送>>>>>>>>>>>>>>>
下列将使用 暴力法、分治法、动态规划、贪心 对本题进行求解,初学算法,存在错误还请指出
暴力求解
枚举出所有连续子数组的和,取最大值返回。
class Solution {
public:
int maxSubArray(vector<int>& nums) {
int n = nums.size();
int max = nums[0];
int sum = 0;
for (int i = 0; i < n; i++)
{
sum = 0;
for (int j = i; j < n; j++) {
sum += nums[j];
if (max < sum)
max = sum;
}
}
return max;
}
};
- 时间复杂度O(N^2)
- 空间复杂度O(1)
时间复杂度过高,无法通过测试案例
分治法
利用分而治之的思想,将序列分为两块:左半子序列、右半子序列。
显然,答案一定出现在以下三种情况中:
- 左半部分序列最大子序和即为整个序列最大子序和;
- 右半部分序列最大子序和即为整个序列最大子序和;
- 最大子序和出现在原序列中部(即部分在左半部分,部分位于右半部分);
用递归分别求出左右两部分的子序列最大和,具体分析请看代码↓
class Solution {
public:
int maxSum(vector<int>& nums, int l, int r) {
if (l == r)//子数组长度为一,直接返回当前元素
return nums[l];
int mid = (l + r) / 2;
int leftSum = maxSum(nums, l, mid);//递归调用分别求得左右部分序列最大和
int rightSum = maxSum(nums, mid + 1, r);
//从mid位置处往前遍历,并记录最大和
int s1 = nums[mid], left = nums[mid];
for (int i = mid - 1; i >= l; --i) {
left += nums[i];
s1 = max(s1, left);
}
//从mid + 1位置往后遍历,并记录最大和
int s2 = nums[mid + 1], right = nums[mid + 1];
for (int i = mid + 2; i <= r; i++) {
right += nums[i];
s2 = max(s2, right);
}
int sum = s1 + s2;//计算出第三种情况:最大子序和横跨左右序列:将左右两部分最大和拼接起来
if (sum < leftSum) sum = leftSum; //与其他两种情况比较,取最大的
if (sum < rightSum) sum = rightSum;
return sum;
}
int maxSubArray(vector<int>& nums) {
return maxSum(nums, 0, nums.size() - 1);
}
};
- 对数组折中分割 log2(N)次,每次分割后整体都对原数组进行一次遍历,时间复杂度O(N*logN)
- 递归调用 造成的内存栈深度为:2 * log2(N),空间复杂度O(logN)
动态规划求解
这里引用“代码随想录”中对动态规划问题的求解方法:
对于动态规划问题,我将拆解为如下五步曲,这五步都搞清楚了,才能说把动态规划真的掌握了!
1、确定dp数组(dp table)以及下标的含义
2、确定递推公式
3、dp数组如何初始化
4、确定遍历顺序
5、举例推导dp数组
附上动态规划法学习网址:关于动态规划,你应该了解这些!
按照Carl老师的五部曲,我对本题的理解如下↓
class Solution {
public:
int maxSubArray(vector<int>& nums) {
int length = nums.size();
//确定dp数组(dp table)以及下标的含义
vector<int> dp(nums.size());//dp数组下标代表到当前位置的最大子序和
//确定递推公式:当前边的子序和影响到当前值时我们选择抛弃前面带来的负面影响
//dp[i] = max(dp[i - 1] + nums[i], nums[i]);
//dp数组初始化:子数组仅有一个元素的情况下最大值为其本身
dp[0] = nums[0];
//确定推导顺序:从左往右寻找最大子序和
for (int i = 1; i < length; ++i) {
dp[i] = max(dp[i - 1] + nums[i], nums[i]);
}
return *max_element(dp.begin(), dp.end());//返回dp数组中最大值
}
};
注意到最终的答案并不一定是dp[length - 1]:
因为在递推时我们没法判断 dp[i - 1] 与 nums[i] 的关系,仅仅是对dp[i - 1] + nums[i] 与 nums[i] 的大小进行了比较,选择了较大值作为当前dp[ i ]的状态。
考虑这种情况: dp[i - 1] = - 1, nums[ i ] = - 2, 我们选择了使用 nums[ i ] (-2) 作为本次状态,但是并不代表它就是我们所需要的最终结果。
- 两次遍历,时间复杂度O(N)
- 使用了额外的dp数组,空间复杂度O(N)
这里我们注意到,dp的创建使得空间复杂度提高不少,我们能不能适当对其优化呢,答案是肯定的,稍加思索就发现一个问题:动态规划过程中使用到的递推公式:
dp[i] = max(dp[i - 1] + nums[i], nums[i])
对于求解dp数组中的当前项,仅需用到其前一项,是不是来feeling了 OvO!,没错,这里就能很愉快地去使用 滚动数组 的思想了!!!
需要额外注意的是:上一解法在完成对dp数组的填充后我们返回的是数组中的最大值,而使用 滚动数组 势必造成前面的数据丢失!~~
具体做法为:
定义一个变量保存dp数组前一项的值,另一个变量保存dp数组的最大值。
class Solution {
public:
int maxSubArray(vector<int>& nums) {
int preMaxSum = 0;//未开始遍历前 最大子序和为0
int ans = nums[0];//记录dp数组的最大值
for (const int val : nums) {
//两种选择:让当前元素加上之前的一段 或 让其单独成段
preMaxSum = max(preMaxSum + val, val);//dp[i] = max(dp[i - 1] + nums[i], nums[i])
ans = max(preMaxSum, ans);
}
return ans;
}
};
- 一次遍历,时间复杂度O(N)
- 用到常量空间,空间复杂度O(1)
贪心算法
我们都清楚,要想获得连续子数组的最大和,必然需要非负数去“做贡献”,因此一种贪心策略为:如果前项和preSum小于0,那么直接就抛弃前项和(若不抛弃,势必对后面的和造成负面影响,从而无法获得最优解)
class Solution {
public:
int maxSubArray(vector<int>& nums) {
int length = nums.size();
int preSum = 0;
int curSum = 0;
int maxSum = INT_MIN;
for (int i = 0; i < length; ++i) {
if (preSum < 0)
curSum = nums[i];//之前和小于0则丢弃
else
curSum = preSum + nums[i];//大于0则加上之前和
preSum = curSum;//更新数据
maxSum = maxSum < curSum ? curSum : maxSum;//更新数据
}
return maxSum;
}
};
- 一次遍历,时间复杂度O(N)
- 常量空间,空间复杂度O(1)
各算法时间空间复杂度一览
算法 | 时间复杂度 | 空间复杂度 |
---|---|---|
暴力法 | O(N ^ 2) | O(1) |
分治法 | O(N * logN) | O(logN) |
动态规划 | O(N ) | O(1) |
贪心 | O(N ) | O(1) |