LeetCode 188. 买卖股票的最佳时机 IV 动态规划详解

188. 买卖股票的最佳时机 IV

题目来源

188. 买卖股票的最佳时机 IV

题目分析

给定一个整数数组 prices，其中 prices[i] 表示第 i 天的股票价格，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 k 笔交易。也就是说，你最多可以买 k 次，卖 k 次。

题目难度

• 难度：困难

题目标签

• 标签：动态规划, 数组

题目限制

• 1 <= k <= 100
• 1 <= prices.length <= 1000
• 0 <= prices[i] <= 1000

解题思路

思路1：动态规划

1. 问题定义：

   • 定义 dp[i][j][0] 表示第 i 天完成 j 笔交易且不持有股票的最大利润。
   • 定义 dp[i][j][1] 表示第 i 天完成 j 笔交易且持有股票的最大利润。

2. 状态转移：

   • dp[i][j][0] = max(dp[i-1][j][0], dp[i-1][j][1] + prices[i-1])：第 i 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][j][1] = max(dp[i-1][j][1], dp[i-1][j-1][0] - prices[i-1])：第 i 天持有股票的最大利润，可能是前一天就持有，或者在完成 j-1 笔交易后当天买入股票后的最大利润。
   • 注意这里 j - 1 表示我们用掉了第 j 次交易的机会来买入股票。然后由于买入和卖出都是k次那么我们直接计数买入或者卖出的次数都行，也就是可以改成第二个式子dp[i-1][j][0] - prices[i-1]，第一个式子dp[i-1][j-1][1] + prices[i-1].

3. 初始化：

   • 对于所有的 k，dp[0][k][0] = 0，即第0天不持有股票的最大利润为0。
   • 对于所有的 k，dp[0][k][1] = -prices[0]，即第0天持有股票的最大利润为 -prices[0]。

4. 最终结果：

   • 返回 dp[n][k][0] 即为第 n 天完成 k 笔交易且不持有股票时的最大利润。

核心算法步骤

1. 动态规划：
   • 初始化 dp 三维数组，表示不同天数、交易次数和是否持有股票的状态。
   • 通过嵌套循环遍历天数和交易次数，逐步更新 dp 数组中的值。
   • 最终返回 dp[n][k][0]。

代码实现

以下是求解买卖股票的最佳时机 IV 的 Java 代码：

/**
 * 188. 买卖股票的最佳时机 IV
 * @param k 交易次数
 * @param prices 股票价格数组
 * @return 最大利润
 */
public int maxProfit(int k, int[] prices) {
    int n = prices.length;
    if (n == 0) return 0;
    
    // 当 k 大于 n/2 时，问题等同于无限次交易
    if (k > n / 2) return maxProfitUnlimited(prices);
    
    int[][][] dp = new int[n + 1][k + 1][2];
    for (int i = 0; i <= k; i++) {
        dp[0][i][0] = 0;
        dp[0][i][1] = -prices[0];
    }
    for (int i = 1; i <= n; i++) {
        for (int j = 1; j <= k; j++) {
            dp[i][j][0] = Math.max(dp[i - 1][j][0], dp[i - 1][j][1] + prices[i - 1]);
            dp[i][j][1] = Math.max(dp[i - 1][j][1], dp[i - 1][j - 1][0] - prices[i - 1]);
        }
    }
    return dp[n][k][0];
}

// 辅助函数：当 k 大于 n/2 时，等同于无限次交易
private int maxProfitUnlimited(int[] prices) {
    int n = prices.length;
    int maxProfit = 0;
    for (int i = 1; i < n; i++) {
        if (prices[i] > prices[i - 1]) {
            maxProfit += prices[i] - prices[i - 1];
        }
    }
    return maxProfit;
}

代码解读

• dp[i][j][0] 表示第 i 天完成 j 笔交易且不持有股票的最大利润。
• dp[i][j][1] 表示第 i 天完成 j 笔交易且持有股票的最大利润。
• 当 k 大于 n/2 时，问题等同于可以进行无限次交易的情况，因此使用辅助函数 maxProfitUnlimited 处理。

性能分析

• 时间复杂度：O(n*k)，其中 n 是 prices 数组的长度，k 是最多允许的交易次数。
• 空间复杂度：O(n*k*2)，需要 n*k*2 大小的 dp 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 k1 = 2;
int[] prices1 = {2, 4, 1};
int result1 = maxProfit(k1, prices1);
System.out.println(result1); // 输出: 2

int k2 = 2;
int[] prices2 = {3, 2, 6, 5, 0, 3};
int result2 = maxProfit(k2, prices2);
System.out.println(result2); // 输出: 7

int k3 = 3;
int[] prices3 = {1, 2, 4, 2, 5, 7, 2, 4, 9, 0};
int result3 = maxProfit(k3, prices3);
System.out.println(result3); // 输出: 15

扩展讨论

优化写法

• 空间优化：可以将空间复杂度优化为 O(k*2)，通过仅保存前一天的状态来更新当前状态。

其他实现

• 对于大 k 的情况，可以考虑优化为无限次交易的情况。

总结

买卖股票的最佳时机 IV 问题，通过动态规划方法解决，考虑了最多可以进行 k 笔交易的限制，使得问题更具挑战性。通过合理的状态转移方程可以有效求解该问题。

---