LeetCode0053.最大子数组和 Go语言AC笔记

时间复杂度：O(n)

解题思路

非常经典的动态规划题目！

以-2 11 -4 13 -5 -2为例：

步骤1：令状态dp[i]表示以nums[i]作为末尾的连续序列的最大和（这里是说nums[i]必须作为连续序列的末尾）。以样例为例：序列-2 11 -4 13 -5 -2，下标分别记为0，1，2，3，4，5，那么

• dp[0]=-2
• dp[1]=11
• dp[2]=7 (11-4=7)
• dp[3]=20 (11-4+13=20)
• dp[4]=15 (因为由dp数组的含义，nums[4]=-5必须作为连续序列的结尾，于是最大和就是11-4+13-5=15，而不是dp[3]的20)
• dp[5]=13 (11-4+13-5-2=13)

通过设置这么一个dp数组，要求的最大和其实就是dp[0],dp[1],...,dp[n-1]中的最大值（因为到底以哪个元素结尾未知），下面想办法求解dp数组。

步骤2：作如下考虑：因为dp[i]要求是必须以nums[i]结尾的连续序列，那么只有两种情况：

1. 这个最大和的连续序列只有一个元素，即以nums[i]开始，以nums[i]结尾
2. 这个最大和的连续序列有多个元素，即从前面某处nums[p]开始（p＜i），一直到nums[i]结尾

对第一种情况，最大和就是nums[i]本身。

对第二种情况，最大和是dp[i-1]+nums[i]，即nums[p]+...+nums[i-1]+nums[i]=dp[i-1]+nums[i]。

由于只有这两种情况，于是得到状态转移方程：

dp[i]=max{nums[i],dp[i-1]+nums[i]}

这个式子只和i与i前一个元素有关，且边界为dp[0]=nums[0]，由此从小到大枚举i，即可得到整个dp数组。接着输出dp[0],dp[1],...,dp[n-1]中的最大值即为最大连续子序列的和。

这样只用O(n)的时间复杂度就解决了原先需要O(n²)复杂度问题，这就是动态规划的魅力！

通过观察我们发现，dp[i]只与dp[i-1]有关，故可以利用滚动数组的思想只用一个变量代替dp的一维数组。

 AC代码

func maxSubArray(nums []int) int {
    res:=nums[0]
    for i:=1;i<len(nums);i++{
        if nums[i-1]+nums[i]>nums[i]{
            nums[i]+=nums[i-1]
        }
        if nums[i]>res{
            res=nums[i]
        }
    }
    return res
}

感悟

作为极为经典的动态规划题目，一定要熟练写出AC代码，特别要理解dp的含义，以及状态转移方程，这样才能更好地理解动态规划。

对于最大连续子序列和的题目，设计的动态规划模型为：

令dp[i]表示以nums[i]作为末尾的连续序列的最大和

此题目又可以用滚动数组的思想用一个变量代替dp数组，将空间复杂度从O(n)降到O(1)