最大连续子段和的暴力法、分治法和动态规划法求解（Python）

前言

最近正在学习dp，其中一个很经典的例子是最大连续子段和。为了打开思路，我就想着用三种方法来求解这个问题的最优解。如果有任何问题，欢迎看文的小伙伴们指正呀~

正文

1. 暴力法

本人实在是太菜了，如果有哪里说的不对的，看文的小伙伴请直接指出，谢谢~*×1

算法思想：顾名思义，暴力法就是把所有的子段的和都求解出来并记录下来，通过多次比较再最终得出最大的子段和并返回。于是我们枚举每个子段**可能的起点**和**长度**，然后**计算出从某起点开始、某长度的子段和**。

这样想的话我们很容易可以想到是三层循环：第一层控制起点，第二层控制长度，第三层计算该子段的和，时间复杂度为O（n³）。

可这也太慢了，我们自然而然就想要找到更好的算法。

对于时间复杂度为O（n³）的暴力法，我们可以很容易就想到其中的一点优化：对于第三层循环其实并没有必要，既然子段的起点是一样的，只是长度不同，那就没有必要在每次长度增加的时候，再用一层循环从同一个起点开始求和，**只要用一个变量作为该起点的所有长度的累加和就好了呀**。这样就避免了一层循环，**将时间复杂度提升到了O（n²）**！

# 输入
lst = [int(i) for i in input().split()]
n = len(lst)

# 先将最大值设为负无穷，这样的话后续求到的和可以很快替代掉这个值
maximum = float('-inf')
# i代表最大连续子段和的起点，j代表终点
i = 0
j = 0
# 用循环变量start枚举起点，用循环变量move枚举长度的变化，用cur_sum来记录当前计算的子段和
for start in range(n):
# 先将把起点的值赋给当前子段和
    cur_sum = lst[start]
# 与maxisum比较，若cur_sum更大则更新maxisum，并立刻更新下标
    if cur_sum > maximum:
        maximum = cur_sum
        i = j = start
    for move in range(start + 1, n):
# 随着长度的变化，cur_sum的值也开始不断累加
        cur_sum += lst[move]
# 如果cur_sum更大就更新，下标同理
        if cur_sum > maximum:
            maximum = cur_sum
            i = start
            j = move
print(maximum)
print(i, j)

2. 1 分治法（不返回最优解版本）

本人实在是太菜了，如果有哪里说的不对的，看文的小伙伴请直接指出，谢谢~*×2

算法思想：分治法的笼统思想就是**把大问题划分为问题相同的更小的子问题去求解，简称“分而治之”**，可以分为三步：**Divide, Conquer and Combine**。运用分治法求解最大子段和问题可以想到，我们的最优解会出现在三种情况：

• 最优解出现在序列的左边
• 最优解出现在序列的右边
• 最优解出现在序列的中点，并向两端蔓延

Divide：我们把序列一直二分，直到长度短到无法再分并可以直接解决，即len == 1；

Conquer：“治”其实看具体的题目，不同的题目体现不同。比如归并排序或者是双调排序，治就体现在将数据按照升序或降序或者是序列的特性来排序。对于最大子段和问题，我个人的理解是，其中的“治”就体现在MaxSubSum的递归出口和MaxSubSum_Cross中，优雅地、分别地处理了子问题的左边的最大和、右边的最大和及从中点起向两边扩散的最大和；

Combine：这是分治法中很容易被忽略的一步。我个人的理解是，其中的“合并”就体现在递归回溯上。从不可再分的最小的子问题的答案一直回溯到最初的问题的答案，妙不可言~

整理好这三部曲后，我们便可以着手实现：将序列分分分后，直到不可再分的子段，此时便直接返回该子段的唯一的那个值，这也就是为什么分治法要分到可以直接解决的子问题，这也就是递归出口啦！接下来我们再分别调用递归，分别求出左部分的和，右部分的和及中间部分的和，最后返回这三部分中的最大值便是问题的最优值啦！

分治法的思想大多是用递归实现的，所以要掌握好分治的思想要有递归的基础，但并不是有了递归的基础就可以很容易地写出分治（比如我这个菜鸡…），所以还是要多加练习，多分析！

比起暴力法的O（n²），分治法的时间复杂度提升到了O（nlogn）！

lst = [int(i) for i in input(