【算法基础】-真题实战-求最大子数组之和(Java)-动态规划

大星星不见了

已于 2023-08-27 18:51:37 修改

阅读量72

点赞数

分类专栏：算法基础文章标签：算法 java 动态规划

于 2023-08-27 18:50:36 首次发布

本文链接：https://blog.csdn.net/MushuiQwQ/article/details/132526203

版权

算法基础专栏收录该内容

13 篇文章 0 订阅

订阅专栏

最大子数组之和

题目详情

题目详情

输入一个整型数组，数组中的一个或连续多个整数组成一个子数组。
求所有子数组的和的最大值。
要求时间复杂度为O(n)。
示例1:
输入: nums = [-2,1,-3,4,-1,2,1,-5,4]
输出: 6
解释: 连续子数组 [4,-1,2,1] 的和最大，为 6。

题目分解/做题思路

根据要求求出每个子数组的和，然后找出最大的子数组和
怎么找单独的子数组的和？
使用动态规划，创建一个数组存放每次最大子数组的和，然后取最大值

解题方法:

动态规划

动态规划（Dynamic Programming）是一种用于解决优化问题的算法思想，通常用于具有重叠子问题和最优子结构性质的问题。它通过将问题分解为更小的子问题，并且在解决子问题时保存已经计算过的结果，以避免重复计算，从而提高算法的效率。
动态规划的核心思想是将大问题分解为小问题，并且记忆化已经解决的子问题的解，以便在需要时可以直接获取。这种方法在解决许多优化问题时非常有效，特别是当问题的解决方案依赖于子问题的解时。

动态规划的一般步骤

定义状态：将原问题划分为若干子问题，并定义每个子问题的状态。状态是问题的局部解。
找到状态转移方程：通过分析问题的最优子结构性质，找到状态之间的关系，即状态转移方程。这个方程描述了问题的解与其子问题的解之间的关系。
初始化：初始化最基本的子问题，通常是问题规模最小的情况，作为算法的起点。
递推计算：通过使用状态转移方程，从规模较小的子问题开始，逐步计算得到规模更大的问题的解。
保存结果：为了避免重复计算，将每个子问题的解保存起来，以便后续直接使用。
解决原问题：通过解决子问题，最终得到原问题的解。

动态规划的应用场景

最优化问题：动态规划常被用于解决最优化问题，如最大值、最小值、最长路径等。例如，最大子数组和、最长递增子序列、0-1背包问题等。
搜索问题：动态规划也可用于搜索问题，通过保存中间结果来避免重复搜索。如在棋盘上找最短路径、图的最短路径问题等。
排列组合问题：涉及排列、组合、选择等问题时，动态规划可以帮助减少计算量。例如，找出组合数、排列数等。
字符串处理：在字符串处理中，动态规划可用于解决编辑距离、最长公共子序列、正则表达式匹配等问题。
资源分配问题：如任务调度、时间分配、资源分配等，动态规划可以帮助找到最优的资源分布方案。
游戏策略问题：游戏中的决策和策略往往可以用动态规划来求解，如博弈问题、赌博问题等。
经济学问题：动态规划也在经济学领域有广泛应用，如投资组合、成本最小化、收益最大化等。

解题步骤

class Solution {
    public int maxSubArray(int[] nums) {

        //动态规划思想

        //创建一个dp数组;dp[i] 代表了以第 i 个元素结尾的最大子数组和
        int[] dp = new int[nums.length];
        dp[0] = nums[0]; //初始化dp数组，以第 0 个元素结尾的最大子数组就是它本身
        int maxSum = dp[0]; //数组中最大的子数组的和，肯定再dp中，初始化为dp[0]

        //从1开始遍历数组
        for (int i = 1; i < nums.length; i++) {
            //获取以第 i 个元素结尾的 最大子数组和
            //如果以 nums[i-1] 结尾的最大子数组和为正数，则以第 i 个元素结尾的最大子数组和 = 前面最大的 + nums[i]
            if(dp[i-1] > 0){
                dp[i] = nums[i] + dp[i-1];
            }else {
                //如果以 nums[i-1] 结尾的最大子数组和为负数，那么会越加越小，则以第 i 个元素结尾的最大子数组和 =它本身 nums[i]
                dp[i] = nums[i];
            }

            if(maxSum < dp[i]){
                maxSum = dp[i];//进行比较替换
            }

            // 上面的 步骤可以简化为
            // dp[i] = Math.max(nums[i],nums[i] + dp[i-1]);
            // maxSum = Math.max(maxSum,dp[i]);
        }
    return maxSum;
    }
}