最大子序和(python)

题目

给定一个整数数组 nums ，找到一个具有最大和的连续子数组（子数组最少包含一个元素），返回其最大和。

暴力求解法

暴力算法思路简单，不需要过多的思路。
在本题中要求解最大和子数组，最简单的方法就是将所有的子序列写出来然后进行比较，找出最大的那一组。

def maxSubArray(self, nums):
	max_sum = nums[0]      # 取一个变量存放最大子序列的和
	for i in range(0, len(nums)):
		for j in range(i, len(nums)):
			# 进过这两重循环后将所有的子序列列出来
			# 然后取一个变量存放当前这一组序列的和
			max_ = 0
			# 计算每一组子序列的和
			for k in range(i, j + 1):
				max_ += nums[k]
			# 如果这一组子序列之和大于最大子序列之和，则将其赋予最大子序列和
			if max_ > max_sum:
				max_sum = max_ 
	# 最后返回最大子序列之和
	return max_sum

优化后的代码

def maxSubArray(nums):
    if len(nums) == 0:
        return nums[0]
    max_sum = nums[0]
    for i in range(len(nums)):
        max_ = 0
        for j in range(i, len(nums)):
            max_ += nums[j]
            if max_ > max_sum:
                max_sum = max_
    return max_sum

动态规划方法

动态规划解析

• 状态定义：设动态规划列表为dp，dp[i]存放的为以元素nums[i]结尾的连续子数组最大和。

• 转移方程：若是dp[i - 1] < 0，说明dp[i - 1]对于nums[i]产生了负影响，，即dp[i - 1] + nums[i]还不如nums[i]自己大，那么dp[i - 1]就应该被舍弃掉。
  即：
  当dp[i - 1] > 0时：dp[i] = dp[i - 1] + nums[i]
  当dp[i - 1] < 0时：dp[i] = nums[i]

• 初始状态：
  dp[0] = nums[0]，其含义为以nums[0]为结尾的最大子序列和为nums[0]。

• 返回值：返回dp表中最大值，代表着全局最大值
  

代码实现

def maxSubArray(nums):
	if len(nums) == 1:
		return nums[0]
	dp = [0] * len(nums)
	dp[0] = nums[0]
	for i in range(1, len(nums)):
		if dp[i - 1] + nums[i] <= nums[i]:
			dp[i] = nums[i]
		if dp[i - 1] + nums[i] > nums[i]:
			dp[i] = dp[i - 1] + nums[i]
	return max(dp)

由于dp[i]只与dp[i - 1]和nums[i]有关,与num是[i]之前的值无关，因此可以直接在nums上边进行修改，将nums表当做dp表，代码可以优化成如下。

def maxSdubArray(nums):
	if len(nums) == 1:
		return nums[0]
	for i in range(1, len(nums)):
		nums[i] += max(nums[i - 1], 0)
	return max[nums]