123.买卖股票的最佳时机III
题目链接:https://leetcode.com/problems/best-time-to-buy-and-sell-stock-iii/
解法:
关键在于至多买卖两次,这意味着可以买卖一次,可以买卖两次,也可以不买卖。
接来下我用动态规划五部曲详细分析一下:
1. 确定dp数组以及下标的含义
一天一共就有五个状态,
- 没有操作 (其实我们也可以不设置这个状态)
- 第一次持有股票
- 第一次不持有股票
- 第二次持有股票
- 第二次不持有股票
dp[i][j]中 i表示第i天,j为 [0 - 4] 五个状态,dp[i][j]表示第i天状态j所剩最大现金。
2. 递归条件
有点多,直接看题解吧。
3. 初始化
dp[0][3] 表示第一天完成了三次操作:买-卖-买,所以是-prices[0]。
dp[0][4] 表示第一天完成了四次操作:买-卖-买-卖,所以是0。
其他就比较简单了。
边界条件:无
时间复杂度:O(n)
空间复杂度:O(5n)
class Solution(object):
def maxProfit(self, prices):
dp = [[0] * 5 for _ in prices]
# dp[i][0] 表示第i天没有操作
dp[0][0] = 0
# dp[i][1] 表示第i天第一次持有股票
dp[0][1] = -prices[0]
# dp[i][2] 表示第i天第一次不持有股票,当天买卖了
dp[0][2] = 0
# dp[i][3] 表示第i天第二次持有股票,这里是当天买-卖-买
dp[0][3] = -prices[0]
# dp[i][4] 表示第i天第二次不持有股票
dp[0][4] = 0
for i in range(1, len(prices)):
dp[i][0] = dp[i-1][0]
dp[i][1] = max(dp[i-1][1], dp[i-1][0]-prices[i])
dp[i][2] = max(dp[i-1][2], dp[i-1][1]+prices[i])
dp[i][3] = max(dp[i-1][3], dp[i-1][2]-prices[i])
dp[i][4] = max(dp[i-1][4], dp[i-1][3]+prices[i])
return dp[-1][-1]
188.买卖股票的最佳时机IV
题目链接:https://leetcode.com/problems/best-time-to-buy-and-sell-stock-iv/
解法:
除了0以外,偶数就是卖出,奇数就是买入。这题就是上一个题的拓展。
根据dp[i][1]和dp[i][2]的递推公式,可以得到其他状态的递推公式:
达到dp[i][1]状态,有两个具体操作:
- 操作一:第i天买入股票了,那么dp[i][1] = dp[i - 1][0] - prices[i]
- 操作二:第i天没有操作,而是沿用前一天买入的状态,即:dp[i][1] = dp[i - 1][1]
选最大的,所以 dp[i][1] = max(dp[i - 1][0] - prices[i], dp[i - 1][1]);
同理dp[i][2]也有两个操作:
- 操作一:第i天卖出股票了,那么dp[i][2] = dp[i - 1][1] + prices[i]
- 操作二:第i天没有操作,沿用前一天卖出股票的状态,即:dp[i][2] = dp[i - 1][2]
所以dp[i][2] = max(dp[i - 1][1] + prices[i], dp[i - 1][2])。
边界条件:无
时间复杂度:O(n * k),其中 n 为 prices 的长度
空间复杂度:O(n * k)
class Solution(object):
def maxProfit(self, k, prices):
dp = [[0] * (2*k+1) for _ in prices]
for i in range(1, 2*k, 2):
dp[0][i] = -prices[0]
for i in range(1, len(prices)):
for j in range(0, 2*k-1, 2):
dp[i][j+1] = max(dp[i-1][j+1], dp[i-1][j]-prices[i])
dp[i][j+2] = max(dp[i-1][j+2], dp[i-1][j+1]+prices[i])
return dp[-1][-1]