题目描述:
给你一个整数数组 nums ,请你找出数组中乘积最大的非空连续子数组(该子数组中至少包含一个数字),并返回该子数组所对应的乘积。
测试用例的答案是一个 32-位 整数。
子数组 是数组的连续子序列。
示例1:
输入: nums = [2,3,-2,4]
输出: 6
解释: 子数组 [2,3] 有最大乘积 6。
示例2:
输入: nums = [-2,0,-1]
输出: 0
解释: 结果不能为 2, 因为 [-2,-1] 不是子数组。
思路1:
通过递归进行暴力求解,每个元素有选和不选两种情况,保存乘积的最大值,时间复杂度为O(2^n)。
思路2:
动态规划DP
- 状态的定义:dp[i][2] i->包含第i个元素的子序列
定义成二维状态的原因:因为元素可能出现负数的情况,所以需要保留正的最大值和负的最小值,然后根据nums[i]的正负得到最后的结果。
[i][0] 正的最大值; [i][1]负的最小值 - 状态转移方程:
dp[i][0] =
if nums[i]>0:
dp[i-1][0] * nums[i]
else:
dp[i-1][1]*nums[i]
dp[i][1] =
if nums[i] >0:
dp[i-1][[1] *a[i]
else:
dp[i-1][0] * a[i]
具体在操作的时候,还要注意到dp[i-1][0]和dp[i-1][1]的正负,详见代码。
class Solution:
def maxProduct(self, nums: List[int]) -> int:
# 注意一下申请数组怎么做
dp = [[]]
for h in range(len(nums)):
dp.append([])
for l in range(2):
dp[h].append([])
max = nums[0]
# 初始化
if nums[0] >= 0:
dp[0][0] = nums[0]
dp[0][1] = 0
else:
dp[0][0] = nums[0]
dp[0][1] = nums[0]
for i in range(1, len(nums)):
if nums[i] >= 0:
if dp[i-1][0] > 0:
dp[i][0] = dp[i-1][0] * nums[i]
else:
dp[i][0] = nums[i]
if dp[i-1][1] < 0:
dp[i][1] = dp[i-1][1] * nums[i]
else:
dp[i][1] = 0
else:
if dp[i-1][1] < 0:
dp[i][0] = dp[i-1][1] * nums[i]
else:
dp[i][0] = nums[i]
if dp[i-1][0] > 0:
dp[i][1] = dp[i-1][0] * nums[i]
else:
dp[i][1] = nums[i]
if dp[i][0] > max:
max = dp[i][0]
return max
这样写的代码显得有一些冗余,参考题解得到的一个类似的思路:
class Solution {
public:
int maxProduct(vector<int>& nums) {
vector <int> maxF(nums), minF(nums);
for (int i = 1; i < nums.size(); ++i) {
maxF[i] = max(maxF[i - 1] * nums[i], max(nums[i], minF[i - 1] * nums[i]));
minF[i] = min(minF[i - 1] * nums[i], min(nums[i], maxF[i - 1] * nums[i]));
}
return *max_element(maxF.begin(), maxF.end());
}
};
进一步优化空间复杂度:
class Solution {
public:
int maxProduct(vector<int>& nums) {
int maxF = nums[0], minF = nums[0], ans = nums[0];
for (int i = 1; i < nums.size(); ++i) {
int mx = maxF, mn = minF;
maxF = max(mx * nums[i], max(nums[i], mn * nums[i]));
minF = min(mn * nums[i], min(nums[i], mx * nums[i]));
ans = max(maxF, ans);
}
return ans;
}
};
用ans存最大值,避免过程中的存储消耗空间。