【LeetCode】123. 买卖股票的最佳时机 III（附HashMap原理与应用--hasCode() & equals()改写）

最新推荐文章于 2022-02-18 09:16:54 发布

白露塞纳

最新推荐文章于 2022-02-18 09:16:54 发布

阅读量193

点赞数

分类专栏： Leetcode 文章标签：动态规划

本文链接：https://blog.csdn.net/HeavenDan/article/details/108982641

版权

Leetcode 专栏收录该内容

103 篇文章 0 订阅

订阅专栏

一、题目

给定一个数组，它的第 i 个元素是一支给定的股票在第 i 天的价格。

设计一个算法来计算你所能获取的最大利润。你最多可以完成两笔交易。

注意: 你不能同时参与多笔交易（你必须在再次购买前出售掉之前的股票）。

示例 1:

输入: [3,3,5,0,0,3,1,4]
输出: 6
解释: 在第 4 天（股票价格 = 0）的时候买入，在第 6 天（股票价格 = 3）的时候卖出，这笔交易所能获得利润 = 3-0 = 3 。
     随后，在第 7 天（股票价格 = 1）的时候买入，在第 8 天 （股票价格 = 4）的时候卖出，这笔交易所能获得利润 = 4-1 = 3 。

示例 2:

输入: [1,2,3,4,5]
输出: 4
解释: 在第 1 天（股票价格 = 1）的时候买入，在第 5 天 （股票价格 = 5）的时候卖出, 这笔交易所能获得利润 = 5-1 = 4 。   
     注意你不能在第 1 天和第 2 天接连购买股票，之后再将它们卖出。   
     因为这样属于同时参与了多笔交易，你必须在再次购买前出售掉之前的股票。

示例 3:

输入: [7,6,4,3,1] 
输出: 0 
解释: 在这个情况下, 没有交易完成, 所以最大利润为 0。

二、解决

系列：【LeetCode】121. 买卖股票的最佳时机、【LeetCode】122. 买卖股票的最佳时机 II

1、递归

思路：

买卖两次状态转换举例：

不动/买入 --> 不动/卖出；
不动/卖出 -->不动/买入

以数组[1,2,3,4,5]为例，其递归调用树如下：

代码：

// 参数含义：day：哪一天；  status：买入 or 卖出； k：交易次数。

class Solution {
    public int maxProfit(int[] prices) {
        if (prices==null || prices.length==0) return 0;
        int n = prices.length;
        return dfs(prices, 0, 0, 0);
    }
	
    private int dfs(int[] prices, int day, int status, int k) {
        // Terminator：数组执行到头了，或者交易了两次了
        if (day==prices.length || k==2) {
            return 0;
        }
        // Current logic：split the problem
        //定义三个变量，分别记录[不动]、[买]、[卖]
        int hold=0, buy=0, sell=0;
        
        // Drill down: conquer the subproblems 
        //保持不动
        hold = dfs(prices, day+1, status, k);
        if (status==1) {
            //递归处理卖的情况，这里需要将k+1，表示执行了一次交易
            sell = dfs(prices, day+1, 0, k+1) + prices[day];
        } else {
            //递归处理买的情况
            buy = dfs(prices, day+1, 1, k) - prices[day];
        }
        // Merge the subresults：最终结果就是三个变量中的最大值
        return Math.max(Math.max(hold, sell), buy);
    }
}

时间复杂度： $O(2^n)$
空间复杂度： $O (l o g n)$

2、递归+记忆化

思路：

这里需要把重复调用的结果缓存下来。另外为了将(day - 哪天； status - 买/卖； k - 交易次数）对应的结果缓存下来，还需要实现hashCode()与equals()。这个也需要好好理解一下。

1、hashCode()与equals()若干问题：

== VS equals() 
==：比较对象地址；
equals()：重写比较对象内容。

hashCode() VS equals()：
hashCode()：判断对象散列值是否相等，性能卓越；
equals()：判断内容是否完全一样，准确性高。

说明：- HashSet,HashMap,HashTable等hash容器会同时应用两者，来兼顾性能与准确性。
- 重写场景：当对象作为HashMap的key时。

2、HashMap()工作原理：Key-value
存储结构：数组+链表+红黑树
数组--哈希桶
链表--链地址法
红黑树--链表长度>8，链表转换为红黑树，加快增删改速度。

过程（具体见下图）：
1.初始化table
2.计算hash值
3.插入或更新节点
4.扩容：超过threshold=数组长度*负载因子0.75

HashMap

代码：

class Key {
	final int day;
	final int cnt;
	final int status;
	public Key(int day, int cnt, int status) {
		this.day = day;
		this.cnt = cnt;
		this.status = status;
	}
	// 实现自定义hashCode() 与 equals()
	public int hashCode() {
		return this.day + this.cnt + this.status;
	}
	public boolean equals(Object obj) {
		Key other = (Key)obj;
		if (other.day == day && other.cnt == cnt && other.status==status) {
			return true;
		}
		return false;
	}
}

class Solution {
	public int maxProfit(int[] prices) {
		if (prices.length == 0 || prices == null) return 0;
		Map<Key, Integer> map = new HashMap<>();
		return dfs(map, prices, 0, 0, 0);
	}
	
	private int dfs(Map<Key, Integer> map, int[] prices, int day, int cnt, int status) {
		if (day == prices.length || cnt == 2) {
			return 0;
		}
		Key key = new Key(day, cnt, status);
		if (map.containsKey(key)) {
			return map.get(key);
		}
		
		int hold = 0, sell = 0, buy = 0;
		hold = dfs(map, prices, day+1, cnt, status);
		if (status == 1) {
			sell = dfs(map, prices, day+1, cnt+1, 0) + prices[day];
		} else {
			buy = dfs(map, prices, day+1, cnt, 1) - prices[day];
		}
		map.put(key, Math.max(Math.max(hold, sell), buy));
		return map.get(key);
	}
}

时间复杂度： $O (k n)$ ，k为交易次数，n为天数。
空间复杂度： $O (k n)$

3、动态规划

版本1

思路：

1、状态定义：
dp[cnt][day]： 第 day-th 天交易 cnt 次的最大利润。  cnt - 交易次数； i - 天

2、转移方程之一(参考2)：
dp[cnt, i] = max(dp[cnt, i-1], prices[i] - prices[j] + dp[cnt-1, j-1]), j=[0..i-1]

实现1-代码 【超时】

class Solution {
    public int maxProfit(int[] prices) {
        if (prices.length == 0) return 0;

        int[][] dp = new int[3][prices.length];
        for (int k = 1; k <= 2; k++)  {
            for (int i = 1; i < prices.length; i++) {
                int min = prices[0];
                for (int j = 1; j <= i; j++)
                    min = Math.min(min, prices[j] - dp[k-1][j-1]);
                dp[k][i] = Math.max(dp[k][i-1], prices[i] - min);
            }
        }

        return dp[2][prices.length-1];
    }
}

实现2-代码

实现1中 min 重复计算了，可以进行优化。

class Solution {
    public int maxProfit(int[] prices) {
        if (prices.length == 0) return 0;
        
        int[][] dp = new int[3][prices.length];
        for (int cnt = 1; cnt <= 2; cnt++) {
            int min = prices[0];
            for (int i = 1; i < prices.length; i++) {
                min = Math.min(min, prices[i] - dp[cnt-1][i-1]);
                dp[cnt][i] = Math.max(dp[cnt][i-1], prices[i] - min);
            }
        }
        return dp[2][prices.length-1];
    }
}

时间复杂度： $O (k n)$ ，k = 3
空间复杂度： $O (k n)$

实现3-代码

对实现2-代码代码略加改动，调换位置。

class Solution {
    public int maxProfit(int[] prices) {
        if (prices.length == 0) return 0;
        
        int[][] dp = new int[3][prices.length];
        int[] min = new int[3];
        Arrays.fill(min, prices[0]);
        for (int i = 1; i < prices.length; i++) {
            for (int k = 1; k <= 2; k++) {
                min[k] = Math.min(min[k], prices[i] - dp[k-1][i-1]);
                dp[k][i] = Math.max(dp[k][i-1], prices[i] - min[k]);
            }
        }
        return dp[2][prices.length - 1];
    }
}

实现4-代码

对 实现3-代码 中dp进行压缩，因为dp[i]的值主要依赖于dp[i-1]。

代码：

class Solution {
    public int maxProfit(int[] prices) {
        if (prices.length == 0) return 0;
        
        int[] dp = new int[3];
        int[] min = new int[3];
        Arrays.fill(min, prices[0]);
        
        for (int i = 1; i < prices.length; i++)  {
            for (int cnt = 1; cnt <= 2; cnt++) {
                min[cnt] = Math.min(min[cnt], prices[i] - dp[cnt-1]);
                dp[cnt] = Math.max(dp[cnt], prices[i] - min[cnt]);
            }
        }
        return dp[2];
    }
}

时间复杂度： $O (k n)$ ，k=3
空间复杂度： $O (k)$

版本2

思路：


1、状态定义：
dp[day][status]： 第 day-th 天的最大利润。  day - 交易次数； i - 天， status - 0-不动/买； 1-买

2、转移方程之二（参考超哥）：
for day : 0-->n-1
    dp[day,0] = max { 
                      dp[day-1, 0],          // 不动
                      dp[day-1, 1] + a[day]    // 卖
                    }

    dp[day,1] = max { 
                      dp[day-1,1],          // 不动
                      dp[day-1,0] - a[day]    // 买
                  }

3、特点：可读性提升，但是通用性下降。
4、其他：可以看成是实现4实现，只不过这里cnt循环转化成了四个变量。
5、关键：分析的关键在于准确定义状态，定义的关键在于准确分析出正交维度，然后进行升维，从天到--->+是否拥有股票--->+交易次数

dp[day][hold][cnt] = math.max{不动， 卖， 买}
dp[i, k, j] = max{dp[i-1, k, j], dp[i-1, k-1, j+1] + prices[i], dp[i-1, k-1, j-1] - prices[i]}

代码：

class Solution {
    public int maxProfit(int[] prices) {
        int sell1 = 0, sell2 = 0, buy1 = Integer.MIN_VALUE, buy2 = Integer.MIN_VALUE;        
        for (int i = 0; i < prices.length; i++) {
            buy1 = Math.max(buy1, -prices[i]);
            sell1 = Math.max(sell1, buy1 + prices[i]);
            buy2 = Math.max(buy2, sell1 - prices[i]);
            sell2 = Math.max(sell2, buy2 + prices[i]);
        }
        return sell2;
    }
}

时间复杂度： $O (n)$
空间复杂度： $O (1)$

三、参考

1、五种实现+详细图解 123.买卖股票的最佳时机 III
2、Detail explanation of DP solution
3、看似简单的hashCode和equals面试题，竟然有这么多坑！
4、Java提高篇——equals()与hashCode()方法详解
5、Java hashCode() 和 equals()的若干问题解答
6、Java HashMap工作原理及实现
7、Java 8系列之重新认识HashMap(转载自美团点评技术团队)

白露塞纳

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
【LeetCode】123. 买卖股票的最佳时机 III（附HashMap原理与应用--hasCode() & equals()改写）

一、题目给定一个数组，它的第 i 个元素是一支给定的股票在第 i 天的价格。设计一个算法来计算你所能获取的最大利润。你最多可以完成两笔交易。注意: 你不能同时参与多笔交易（你必须在再次购买前出售掉之前的股票）。示例 1:输入: [3,3,5,0,0,3,1,4]输出: 6解释: 在第 4 天（股票价格 = 0）的时候买入，在第 6 天（股票价格 = 3）的时候卖出，这笔交易所能获得利润 = 3-0 = 3 。随后，在第 7 天（股票价格 = 1）的时候买入，在第 8 天（股票价格 =
复制链接

扫一扫