动态规划
:dp[i]为数组中0-i个数中连续数组子数组最大和,状态转移方程:dp[i]=max(dp[i-1]+nums[i],nums[i])
,初始值dp[0]=nums[0]
package BDyNamicProgramming;
/**
* @Author Zhou jian
* @Date 2020 ${month} 2020/4/21 0021 15:53
*/
public class Problem42 {
//采用前缀和
//双层循环超出时间限制:时间复杂度为O(N^2)
public int maxSubArray(int[] nums) {
if(nums.length==1) return nums[0];
int[] sum = new int[nums.length+1];
int maxSum = Integer.MIN_VALUE;
sum[0]=0;
//求的前缀和
for(int i=0;i<nums.length;i++){
sum[i+1]=sum[i]+nums[i];
}
for(int i=0;i<nums.length+1;i++){
for (int j=0;j<i;j++){
if(sum[i]-sum[j]>maxSum) maxSum=sum[i]-sum[j];
}
}
return maxSum;
}
/**
*
* @param nums
* @return
* 动态规划:
* 状态定义:设动态规划列表dp,dp[i]代表以元素nums[i]为结尾的连续数组最大和
* 为何定义最大和dp[i]中必须包含元素nums[i]:保证dp[i]递推到dp[i+1]的正确性
*
* 转移方程:若dp[i-1]<=0说明dp[i-1]对dp[i]产生负贡献,即dp[i-1]+nums[i]还不如nums[i]本身大
*
* dp[i-1]>0时:执行dp[i]=dp[i-1]+nums[i]
* dp[i-1]<=0时:执行dp[i]=nums[i]
*
* 初始状态:dp[0]= nums[0] 即以nums[0]结尾的连续子数组最大和为nums[0]
*
* 返回值:返回dp列表中的最大值,代表全局最大值
*/
//空间复杂度降低:由于dp[i]只与dp[i-1]和nums[i]有关系,因此
//可以将原数组nums用作dp列表,即直接在nums上修改即可
//由于省去dp列表使用额外的空间因此空间复杂度从O(N)到O(10
public int maxSubArray1(int[] nums){
int[] dp = new int[nums.length];
dp[0]=nums[0];
int max = dp[0];
for(int i=1;i<nums.length;i++){
//根据前一个的dp值确定当前位置的dp
if(dp[i-1]<=0) dp[i]=nums[i];
else dp[i]=dp[i-1]+nums[i];
if(dp[i]>max) max=dp[i];
}
return max;
}
public static void main(String[] args) {
}
}