剑指Offer--连续子数组的最大和

题目:输入一个整型数组,数组里有正数也有负数。数组中一个或连续的多个整数组成一个子数组。求所有子数组的和的最大值。要求时间复杂度为O(n)。


例子说明:

例如输入的数组为{1, -2, 3, 10, -4, 7, 2, -5},和最大的子数组为{3, 10, -4, 7, 2}。因此输出为该子数组的和18 。

解题思路:

解法一:举例分析数组的规律。

我们试着从头到尾逐个累加示例数组中的每个数字。初始化和为0。第一步加上第一个数字1, 此时和为1。接下来第二步加上数字-2,和就变成了-1。第三步刷上数字3。我们注意到由于此前累计的和是-1 ,小于0,那如果用-1 加上3 ,得到的和是2 , 比3 本身还小。也就是说从第一个数字开始的子数组的和会小于从第三个数字开始的子数组的和。因此我们不用考虑从第一个数字开始的子数组,之前累计的和也被抛弃。

我们从第三个数字重新开始累加,此时得到的和是3 。接下来第四步加10,得到和为13 。第五步加上-4, 和为9。我们发现由于-4 是一个负数,因此累加-4 之后得到的和比原来的和还要小。因此我们要把之前得到的和13 保存下来,它有可能是最大的子数组的和。第六步加上数字.7,9 加7 的结果是16,此时和比之前最大的和13 还要大, 把最大的子数组的和由13更新为16。第七步加上2,累加得到的和为18,同时我们也要更新最大子数组的和。第八步加上最后一个数字-5,由于得到的和为13 ,小于此前最大的和18,因此最终最大的子数组的和为18 ,对应的子数组是{3, 10, -4, 7, 2}。


思路:

弄清楚什么是连续的子向量:就是数组中任意起始和终止位置连续的元素,

最大和:若是数组相加小于零,让子数组从新开始,

设置两个变量,一个currentMax用来记录数组相加之和,一个sumMax用来记录最大的子数组和,一旦currentMax大于sumMax,就更新sumMax使它等于currentMax;初始值都赋予数组的第一个元素的值;

  1. public int FindGreatestSumOfSubArray(int[] array)
  2. {
  3. if(array == null || array.length == 0)
  4. {
  5. return 0;
  6. }
  7. int sumMax = array[ 0];
  8. int currentMax = array[ 0]; //保存子数组相加之和
  9. //从头开始遍历相加数组中的元素
  10. for ( int i = 1; i < array.length; i++)
  11. {
  12. //若是相加之和一旦小于零,子数组从新开始,否则相加
  13. if(currentMax < 0)
  14. {
  15. currentMax = array[i];
  16. }
  17. else
  18. {
  19. currentMax = currentMax + array[i];
  20. }
  21. //sumMax保存最大的子数组的和
  22. if(currentMax > sumMax)
  23. {
  24. sumMax = currentMax;
  25. }
  26. }
  27. return sumMax;
  28. }



  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值