Leetcode学习计划之动态规划入门day8(309,714)

最新推荐文章于 2024-10-04 14:10:29 发布

笨牛慢耕

最新推荐文章于 2024-10-04 14:10:29 发布

阅读量408

点赞数 1

分类专栏： leetcode 文章标签： leetcode python 动态规划算法

本文链接：https://blog.csdn.net/chenxy_bwave/article/details/124464693

版权

leetcode 专栏收录该内容

194 篇文章 4 订阅

订阅专栏

本文探讨了在股票交易中如何考虑冷冻期和手续费的约束，通过动态规划算法求解买卖股票的最大利润。实例分析了309与714题的不同情况，并提供了两种代码实现，一种递归方法和一种迭代方法，后者在效率上表现更优。

摘要由CSDN通过智能技术生成

309. 最佳买卖股票时机含冷冻期

问题描述

给定一个整数数组prices，其中第 prices[i] 表示第 i 天的股票价格。

设计一个算法计算出最大利润。在满足以下约束条件下，你可以尽可能地完成更多的交易（多次买卖一支股票）:

卖出股票后，你无法在第二天买入股票 (即冷冻期为 1 天)。

注意：你不能同时参与多笔交易（你必须在再次购买前出售掉之前的股票）。

示例 1:

输入: prices = [1,2,3,0,2]
输出: 3 
解释: 对应的交易状态为: [买入, 卖出, 冷冻期, 买入, 卖出]

示例 2:

输入: prices = [1]
输出: 0

提示：

1 <= prices.length <= 5000
0 <= prices[i] <= 1000

思路与算法

本题在122（Leetcode学习计划之动态规划入门day7(1014,121,122)）的基础上增加了一个冷冻期的约束，所以不能用122相同的方法来解决。122的解法其实相当于是一种贪婪方法。

记从 $\text{ day[k] }$ 且手头没有股票的状态开始，所能获得的最大利润为 $f(k)$ 。

考虑 $\text{ day[k] }$ 的情况。由买入股票和不买入两种选择。

如果不买入的话，接下来可以从 $\text{day[k+1])}$ 开始考虑，即 $f(k) = f(k+1)$

如果买入的话，接下来必须先卖掉才能进行下一次买入卖出。而卖出的时间一定是下一个局部高点吗？在本题中因为冷冻期并不尽然。比如说[1,2,3,2,4]，第1天买入后，下一个局部高点是3，但是如果在第3天卖出的话，第4天冷冻期不能买入，第5天也只能干瞪眼。而实际上第3天不卖等到第5天卖才能得到最大利益。又比如说[1,2,3,0,2]，要获得最大利益，事情上第1天买入，必须在第2天卖出，最然第2天并不是局部高点。

所以，在 $\text{ day[k] }$ 买入后，需要考察的卖出时机是所有比 $\text{ day[k] }$ 价高的任何一天，而不仅限于局部高点。

代码实现

from typing import List
        
class Solution:
    def maxProfit(self, prices: List[int]) -> int:
        
        n    = len(prices)
        memo = dict()
        def dp(k):
            # print(k,memo)
            if k in memo:
                return memo[k]
            if k >= n-1:
                return 0
            maxprofit = dp(k+1) # not buy at day#k
            
            # Assuming buy at day#k
            for j in range(k+1,len(prices)):
                if prices[j]>prices[k]:
                    profit    = prices[j] - prices[k] + dp(j+2)
                    maxprofit = max(maxprofit, profit)
            memo[k] = maxprofit
            return maxprofit
    
        return dp(0)
    
if __name__ == "__main__":
    
    sln = Solution()  
    
    prices = [1,2,3,0,2]
    print(sln.maxProfit(prices))
                        
    prices = [1]
    print(sln.maxProfit(prices))

执行用时：1832 ms, 在所有 Python3 提交中击败了5.42%的用户

内存消耗：19.6 MB, 在所有 Python3 提交中击败了5.07%的用户

性能惨淡了一点，但是毕竟也是一种解决方案。而且自觉（王婆卖瓜^-^）比官解的题解说明要简单明快的多。

714. 买卖股票的最佳时机含手续费

给定一个整数数组 prices，其中 prices[i]表示第 i 天的股票价格；整数 fee 代表了交易股票的手续费用。

你可以无限次地完成交易，但是你每笔交易都需要付手续费。如果你已经购买了一个股票，在卖出它之前你就不能再继续购买股票了。

返回获得利润的最大值。

注意：这里的一笔交易指买入持有并卖出股票的整个过程，每笔交易你只需要为支付一次手续费。

示例 1：

输入：prices = [1, 3, 2, 8, 4, 9], fee = 2
输出：8
解释：能够达到的最大利润:  
在此处买入 prices[0] = 1
在此处卖出 prices[3] = 8
在此处买入 prices[4] = 4
在此处卖出 prices[5] = 9
总利润: ((8 - 1) - 2) + ((9 - 4) - 2) = 8

示例 2：

输入：prices = [1,3,7,5,10,3], fee = 3
输出：6

提示：

1 <= prices.length <= 5 * 10^4
1 <= prices[i] < 5 * 10^4
0 <= fee < 5 * 10^4

思路与算法1

以上面309相同的思路来考虑，只不过冷冻期的约束改为手续费的约束，每一笔交易（含买进到卖出）只有在扣除手续费后还有利润才能成立

记从 $\text{ day[k] }$ 且手头没有股票的状态开始，所能获得的最大利润为 $f(k)$ 。

考虑 $\text{ day[k] }$ 的情况。由买入股票和不买入两种选择。

如果不买入的话，接下来可以从 $\text{day[k+1])}$ 开始考虑，即 $f(k) = f(k+1)$

如果买入的话，接下来必须先卖掉才能进行下一次买入卖出。而卖出的最佳时间一定是其后的股票价格高于 $prices[k]+fee$ 的某天。与309相同，在 $\text{ day[k] }$ 买入后，需要考察的卖出时机是所有价格比 $prices[k]+fee$ 高的任何一天。

代码实现1

class Solution:
    def maxProfit(self, prices: List[int], fee: int) -> int:
        n    = len(prices)
        memo = dict()
        def dp(k):
            # print(k,memo)
            if k in memo:
                return memo[k]
            if k >= n-1:
                return 0
            
            maxprofit = dp(k+1) # not buy at day#k
            
            # Assuming buy at day#k
            for j in range(k+1,len(prices)):
                if prices[j]>prices[k]+fee:
                    profit    = prices[j] - (prices[k]+fee) + dp(j+1)
                    maxprofit = max(maxprofit, profit)
            memo[k] = maxprofit
            return maxprofit
    
        return dp(0)

悲惨地超时了。。。

问题出在这种以递归的方式实现的DP，会导致巨大的递归深度，尤其是本题“prices.length <= 5 * 10^4”的条件。

思路与算法2

考虑到「不能同时参与多笔交易」，因此每天交易结束后只可能存在手里有一支股票或者没有股票的状态。

定义状态 $\textit{dp}[i][0]$ 表示第 i 天交易完后手里没有股票的最大利润， $\textit{dp}[i][1]$ 表示第 i 天交易完后手里持有一支股票的最大利润（i 从 0 开始）。

考虑 $\textit{dp}[i][0]$ 的转移方程，如果这一天交易完后手里没有股票，那么可能的转移状态为前一天已经没有股票，即 $\textit{dp}[i-1][0]$ ，或者前一天结束的时候手里持有一支股票，即 $\textit{dp}[i-1][1]$ ，这时候我们要将其卖出，并获得 $\textit{prices}[i]$ 的收益，但需要支付 $\textit{fee}$ 的手续费。因此为了收益最大化，可以列出如下的转移方程：

$dp[i][0]=max{(dp[i-1][0],dp[i-1][1]+prices[i]-fee)}$

再来按照同样的方式考虑 $\textit{dp}[i][1]$ 按状态转移，那么可能的转移状态为前一天已经持有一支股票，即 $\textit{dp}[i-1][1]$ ，或者前一天结束时还没有股票，即 $\textit{dp}[i-1][0]$ ，这时候我们要将其买入，并减少 $\textit{prices}[i]$ 的收益。可以列出如下的转移方程：

$dp[i][1]=max{(dp[i-1][1],dp[i-1][0]-prices[i])}$

对于初始状态，根据状态定义我们可以知道第 0 天交易结束的时候有 $\textit{dp}[0][0]=0$ 以及 $\textit{dp}[0][1]=-\textit{prices}[0]$ 。

因此，我们只要从前往后依次计算状态即可。由于全部交易结束后，持有股票的收益一定低于不持有股票的收益，因此这时候 $\textit{dp}[n-1][0]$ 的收益必然是大于 $\textit{dp}[n-1][1]$ 的，最后的答案即为 $\textit{dp}[n-1][0]$ 。

代码实现2

from typing import List
import time
class Solution:
    def maxProfit(self, prices: List[int], fee: int) -> int:
        
        dp   = [[0,0] for k in range(len(prices))]
        dp[0][1] = -prices[0]
        for k in range(1,len(prices)):
            dp[k][0] = max(dp[k-1][0],dp[k-1][1]+prices[k]-fee)
            dp[k][1] = max(dp[k-1][1],dp[k-1][0]-prices[k])
    
        return dp[len(prices)-1][0]
    
if __name__ == "__main__":
    
    sln = Solution()  
    
    prices = [1, 3, 2, 8, 4, 9]
    fee = 2
    print(sln.maxProfit(prices,fee))
                        
    prices = [1,3,7,5,10,3]
    fee = 3
    print(sln.maxProfit(prices,fee))

执行用时：368 ms, 在所有 Python3 提交中击败了40.12%的用户

内存消耗：25.3 MB, 在所有 Python3 提交中击败了6.06%的用户

By the way, 力扣平台上买卖股票相关有以下一些：