122. 买卖股票的最佳时机 II
122. 买卖股票的最佳时机 II
题目来源
题目分析
给定一个数组
prices
,它的第i
个元素表示一支给定股票第i
天的价格。在每一天,你可以决定是否购买和/或出售股票。你在任何时候最多只能持有一股股票。你也可以先购买,然后在同一天出售。要求返回你能获得的最大利润。
题目难度
- 难度:中等
题目标签
- 标签:动态规划, 贪心
题目限制
1 <= prices.length <= 3 * 10^4
0 <= prices[i] <= 10^4
解题思路
思路1:动态规划
-
问题定义:
- 定义
dp[i][0]
表示第i
天不持有股票的最大利润。 - 定义
dp[i][1]
表示第i
天持有股票的最大利润。
- 定义
-
状态转移:
dp[i][0] = max(dp[i-1][0], dp[i-1][1] + prices[i])
:当天不持有股票的最大利润,可能是前一天也不持有,或者当天卖出股票后的最大利润。dp[i][1] = max(dp[i-1][1], dp[i-1][0] - prices[i])
:当天持有股票的最大利润,可能是前一天就持有,或者当天购买股票后的最大利润。
-
初始化:
- 第一天不持有股票的利润
dp[0][0] = 0
。 - 第一天持有股票的利润
dp[0][1] = -prices[0]
(因为买入股票需要花费一定的资金)。
- 第一天不持有股票的利润
-
最终结果:
- 返回
dp[n-1][0]
即为最后一天不持有股票时的最大利润。
- 返回
核心算法步骤
- 动态规划:
- 初始化
dp
数组,分别表示不持有和持有股票的两种状态。 - 通过循环遍历
prices
数组,逐步更新dp
数组中的值。 - 最终返回
dp[n][0]
。
- 初始化
代码实现
以下是求解买卖股票最佳时机 II 的 Java 代码:
/**
* 122. 买卖股票的最佳时机 II
* @param prices 股票价格数组
* @return 最大利润
*/
public int maxProfit(int[] prices) {
int n = prices.length;
int[][] dp = new int[n + 1][2];
dp[0][0] = 0;
dp[0][1] = - prices[0];
for (int i = 0; i < n; i++) {
dp[i + 1][0] = Math.max(dp[i][0], dp[i][1] + prices[i]);
dp[i + 1][1] = Math.max(dp[i][1], dp[i][0] - prices[i]);
}
return dp[n][0];
}
代码解读
dp[i + 1][0]
表示第i + 1
天不持有股票的最大利润,可能是从前一天就不持有,什么也不做,或者是当天卖出了股票获得的最大利润。dp[i + 1][1]
表示第i + 1
天持有股票的最大利润,可能是从前一天就持有,什么也不做,或者是当天购买股票后的最大利润。
性能分析
- 时间复杂度:
O(n)
,其中n
是prices
数组的长度。整个过程只需遍历一次数组,因此时间复杂度为线性。 - 空间复杂度:
O(n)
,需要一个n
长度的数组来存储动态规划的状态值。
测试用例
你可以使用以下测试用例来验证代码的正确性:
int[] prices1 = {7, 1, 5, 3, 6, 4};
int result1 = maxProfit(prices1);
System.out.println(result1); // 输出: 7
int[] prices2 = {1, 2, 3, 4, 5};
int result2 = maxProfit(prices2);
System.out.println(result2); // 输出: 4
int[] prices3 = {7, 6, 4, 3, 1};
int result3 = maxProfit(prices3);
System.out.println(result3); // 输出: 0
扩展讨论
优化写法
- 空间优化:我们注意到
dp[i]
只依赖于dp[i-1]
的状态,因此可以将空间复杂度优化为O(1)
。
其他实现
- 贪心算法:直接计算每次上涨的区间和,从而得到最大利润。
总结
买卖股票的最佳时机 II 问题通过动态规划方法解决,该方法简单易懂,时间复杂度为 O(n)
。同时,贪心算法也可以用于优化空间复杂度。