买卖股票的最佳时机I
通过一次交易,获得最大利润,可以使用栈维护一个上升子序列,若第i天的价格大于栈顶元素,入栈,并计算栈底和栈顶的差值,记录这个差值;
若第i天的价格小于栈顶元素,循环出栈,直到大于栈顶元素或者栈为空;
type Stack struct {
Sli []int
Len int
}
func (s *Stack) Push(val int) {
s.Sli[s.Len] = val
s.Len++
}
func (s *Stack) Pop() {
s.Len--
}
func (s *Stack) Top() int {
if s.Len == 0 {
return 0
}
return s.Sli[s.Len-1]
}
func (s *Stack) Start() int {
return s.Sli[0]
}
func maxProfit(prices []int) int {
stack := &Stack{make([]int, 100), 0}
ans := 0
for i, v := range prices {
if i == 0 {
stack.Push(v)
continue
}
if v <= stack.Top() { //维护栈为上升子序列
for ;stack.Len>0 && stack.Top() >= v ; {
stack.Pop()
}
stack.Push(v)
} else {
stack.Push(v)
if ans < stack.Top() - stack.Start() { //计算栈尾与栈首差值
ans = stack.Top() - stack.Start()
}
}
}
return ans
}
优化方案:有以上逻辑,可以看出维护上升子序列的栈,只是为了获取第i天之前,最小的价格,由此可以使用dp[i]来维护第i天之前的最小价格,即dp[i] = Min(dp[i-1], prices[i]),代码如下:
func maxProfit(prices []int) int {
dp := make([]int, 100000)
ans := 0
dp[0] = math.MaxInt32
for i, v := range prices {
ans = Max(ans, v - dp[i])
dp[i+1] = Min(dp[i], v) //维护i天之前的最小价格
}
return ans
}
func Max(i, j int) int {
if i > j {
return i
}
return j
}
func Min(i, j int) int {
if i > j {
return j
}
return i
}
买卖股票的最佳时机II
因为不限制交易次数,而获得最大利润。这个问题可以转换为找出连续上升子序列,子序列的最大值与最小值的差,为一次交易的利润。由此化解为相邻两天价格的差值,若差值大于0,便是交易一次利润。
举例:1, 4, 7, 5, 2, 5
连续上升子序列为[1,4,7]和[2,5],对于第一个序列事实上,就是1买入,7卖出
func maxProfit(prices []int) int {
ans := 0
for i:=0; i<len(prices)-1; i++ {
if prices[i] < prices[i+1] {
ans = ans + prices[i+1] - prices[i]
}
}
return ans
}
买卖股票的最佳时机III
先说说暴力解法(超时):深度搜素DFS,主要有三种情况:1、买入第i天的股票;2、卖出之前持有的股票;3、不操作
func Max(i, j int) int {
if i > j {
return i
}
return j
}
func Min(i, j int) int {
if i > j {
return j
}
return i
}
var ans int
func Dfs(prices []int, pos int, mairuCnt, maichuCnt int) (int) {
if maichuCnt > 2 || mairuCnt > 2 || pos >= len(prices) {
return 0
}
//买入或者不买
if maichuCnt == mairuCnt {
return Max(Dfs(prices, pos+1, mairuCnt, maichuCnt), Dfs(prices, pos+1, mairuCnt+1, maichuCnt) - prices[pos])
}
//卖出或者不买
if mairuCnt - maichuCnt == 1 {
return Max(Dfs(prices, pos+1, mairuCnt, maichuCnt), Dfs(prices, pos+1, mairuCnt, maichuCnt+1) + prices[pos])
}
return 0
}
func maxProfit(prices []int) int {
ans := Dfs(prices, 0,0, 0)
return ans
}
在此基础上,我们可以推出动态规划的解法
定义:dp[i][j][k] 表示第i天,j(持有:1或不持有:0)状态下,k次交易所得的最大利润
状态转移方程
1.第i天不持有股票状态下,经过k次交易,获得的最大利润;(mairuCnt-maichuCnt是是否持有股票的判断)
dp[i][0][k] = Max(dp[i-1][0][k], dp[i-1][1][k-1] + prices[i])
a.前一天的不持有股票状态的利润
b.今天卖出,前一天持有的股票获得利润+卖出价格
2.第i天持有股票状态下,经过k次交易,获得最大利润
dp[i][1][k] = Max(dp[i-1][1][k], dp[i-1][0][k] - prices[i])
a.前一天的持有股票状态的利润
b.今天买入,前一天不持有的股票获得利润-买入价格
初始化:对于第1天,持有股票的状态,不管交易几次都是刚买入第1天股票,为了之后,持有之前还是持有之后的,获得利润最大
dp[0][1][k] = -prices[0]
特殊条件:对于交易0次,持有股票状态的dp值,都是持有i天之前最小的价格,才能获得最大的利润
代码如下:
func Max(i, j int) int {
if i > j {
return i
}
return j
}
func maxProfit(prices []int) int {
pLen := len(prices)
k := 2
if pLen < 1 {
return 0
}
dp := make([][2][3]int, pLen+10)
for i := 0; i <= k; i++ {
dp[0][1][i] = -prices[0] //初始化
}
for i:=1; i<pLen; i++ {
dp[i][1][0] = Max(dp[i-1][1][0], -prices[i]) //特殊条件
for kp:=1; kp<=k; kp++ {
dp[i][0][kp] = Max(dp[i-1][1][kp-1]+prices[i], dp[i-1][0][kp]) //卖出
dp[i][1][kp] = Max(dp[i-1][0][kp] - prices[i], dp[i-1][1][kp]) //买入
}
}
return dp[pLen-1][0][k]
}
买卖股票的最佳时机IV
题目在III的基础的两次,改为了交易k次后获得最大利润,实际上变为了III的解法,但是这个问题,有一个坑,按III的代码提交会超出内存,一定是存在k的值很大的情况。
大家想想,一次买入,一次卖出,为一次完整交易,i天总的交易次数,事实上只有i/2次;但是k为交易次数,交易次数若很大,大于i/2次,问题就退化成了(买卖股票的最佳时机II)问题,由此特判一下,就Ok了
代码如下:
func Max(i, j int) int {
if i > j {
return i
}
return j
}
func maxProfit(k int, prices []int) int {
pLen := len(prices)
if pLen < 1 {
return 0
}
//买卖股票的最佳时机II
if pLen/2 < k {
ans := 0
for i:=0; i<len(prices)-1; i++ {
if prices[i] < prices[i+1] {
ans = ans + prices[i+1] - prices[i]
}
}
return ans
}
//买卖股票的最佳时机III
dp := make([][2][10010]int, pLen+10)
for i := 0; i <= k; i++ {
dp[0][1][i] = -prices[0] //初始化
}
for i:=1; i<pLen; i++ {
dp[i][1][0] = Max(dp[i-1][1][0], -prices[i])
for kp:=1; kp<=k; kp++ {
dp[i][0][kp] = Max(dp[i-1][1][kp-1]+prices[i], dp[i-1][0][kp]) //卖出
dp[i][1][kp] = Max(dp[i-1][0][kp] - prices[i], dp[i-1][1][kp]) //买入
}
}
return dp[pLen-1][0][k]
}