动态规划
动态规划(Dynamic Programming),简称DP,为了求最优解,我们可以将问题分成多个子问题,先求子问题的最优解,从而递推出全局最优解,动态规划的思想基于分治。
动态规划一般要考虑状态表示和状态方程。考虑到有些DP问题时间复杂度较大,一般用迭代,也可以用递归来写。
线性DP
线性DP最大的特征是从一个最小的子问题来向大的问题推导的。所以叫线性DP,例如斐波那契数列
53. 最大子序和
分析
在该问题上,最小的子问题是序列只有一个数字,那么子序列和最大值肯定是该数字本身。
如果有两个数字,要么是和第一个数字组成的序列和最大,要么是将第二数字看成一个子序列和最大。
如果再加一个数字,先看看前面子序列和最大是多少,再看看新加的第三个数字和之前序列最大值比较。
如此推导。那么我们可以用以下的状态表示,并且得到如下的状态方程
状态表示: f[i]表示以nums[i]结尾的子序列和 的最大值。
状态方程:f[i] = max(nums[i] , f[i - 1] + nums[i])
如果是[INT_MIN,负数] 组成的序列,我们会发现上面的状态方程会移除,我们只需要做一下等式变形,避免移除。变形后的状态方程f[i] = nums[i] + max(0 , f[i - 1])
时间复杂度O(N),空间复杂度O(N)。
AC代码:
LeetCode的测试数据并没有卡溢出的数据。但是严谨起见,特意做了优化。
class Solution {
public:
int maxSubArray(vector<int>& nums) {
int n = nums.size();
int f[n];
int res = INT_MIN;
for (int i = 0; i < n ; i ++){
f[i] = nums[i];
if (i) f[i] = nums[i] + max(0 , f[i - 1]);
res = max(res , f[i]);
}
return res;
}
};
空间优化
我们还发现,从递推的过程中,我们对于每次求解以任意一个数结尾的最大子序列和时,我们只需要知道以前一个数结尾的最大子序列和,所以我们在迭代过程中,我们用一个变量来记录上一个状态(即以前一个数结尾的最大子序列和),从而省去记录所有状态的数组。从而空间复杂度优化到O(1)
优化后代码:
class Solution {
public:
int maxSubArray(vector<int>& nums) {
int res = INT_MIN;
int last = INT_MIN;
for (int i = 0; i < nums.size() ; i ++){
last = nums[i] + max(0 , last)