【leetcode-Python】-Dynamic Programming -53. Maximum Subarray（最大和连续子数组问题）

题目链接

https://leetcode.com/problems/maximum-subarray/

题目描述

给定整数数组nums，找到具有最大和的至少包含一个元素的连续子数组，返回其最大和。

示例

Input: nums = [-2,1,-3,4,-1,2,1,-5,4]
Output: 6
Explanation: [4,-1,2,1] has the largest sum = 6.

解决思路

这个问题将采用动态规划算法来解决。首先参考《剑指offer》，解答这样一个问题：什么题目可以考虑用动态规划算法去求解。

如果题目满足以下三个特征：

1、求一个问题的最优解（通常是求最大值或最小值）；

2、该问题的最优解依赖各个子问题的最优解，子问题的最优解组合起来能够得到整个问题的最优解（最优子结构）；

3、该问题能被分解为若干个子问题，这些子问题之间还有相互重叠的更小的子问题

那么我们就可以考虑用动态规划来解决这个问题。

由于子问题会互相重叠，为了避免重复求解子问题，可以按照从下往上的顺序先求小问题的最优解并存储下来，再在此基础上求大问题的最优解。做到从上往下分析问题，从下往上求解问题。

【动态规划理论】：一篇文章带你彻底搞懂最优子结构、无后效性和重复子问题这篇文章定义了“一个模型三个特征”，将动态规划算法解决问题的模型概括为“多阶段决策最优解模型”，在解决问题过程中需要经历多个决策阶段，每个决策阶段对应一组状态。算法目的就是找到一组决策序列，经过这组决策序列，能够产生最终期望求解的最优值。

同时，对于是适合用动态规划解决的问题，文章定义了三个特征：最优子结构、无后效性、重复子问题。

1、最优子结构

最优子结构指问题的最优解包含子问题的最优解，即可以通过子问题的最优解，推导出问题的最优解。

2、无后效性

无后效性有两层含义，第一层含义是，在推导后面阶段状态的时候，我们只关心前面阶段的状态值，不关心这个状态是怎么一步步推导出来的。第二层含义是，某阶段状态一旦确定，就不受之后阶段的决策影响。无后效性是一个非常“宽松”的要求。只要满足前面提到的动态规划问题模型，其实基本上都会满足无后效性。

3、重复子问题

不同的决策序列，到达某个相同的阶段时，可能会产生重复的状态。

确定问题可以由动态规划算法解决后，首先寻找最优子结构（可以先分析问题中的递推关系，通过寻找规律得到最优子结构）。对于最大子数组和的问题，最优子结构可以定义为“以nums[i]为结尾的连续子数组的最大和”,并用f(i)来表示。如果已知f(i-1)即以nums[i-1]为结尾的连续子数组的最大和，f(i)有两个取值：f(i-1)+nums[i]和nums[i]。要看f(i-1)是否为正数，如果为正数，则f(i)取值为f(i-1)+nums[i]；如果为负数，则f(i)取值为nums[i]：f(i) = max(f(i-1)+nums[i],nums[i])。对于长度为n的数组，f(0).....f(n-1)的最大值就是最后返回的结果。

Python实现

class Solution:
    def maxSubArray(self, nums: List[int]) -> int:
        for i in range(1,len(nums)):
            if nums[i-1] > 0:
                nums[i] = nums[i] + nums[i-1]
        return max(nums)
                

在代码中，可以直接用nums[i]存储f(i)的值，num[i-1]即为已经计算过的f(i-1)的值，通过判断f(i-1)是否为正数来判断是否更新nums[i]。

时间复杂度和空间复杂度

数组各元素仅访问一次，因此时间复杂度为O(n)。（python中min()、max()运算的时间复杂度为O(n)）

空间复杂度为O(1)。

总结

最大子序列和问题于1977被Ulf Grenander of Brown University提出，1984年Cranegie Mellon University的Jay Kadane给出了一个线性时间复杂度的算法，被称为Kadane's Algorithm。有关子序列系列的问题可以在Kadane's Algorithm的思路、代码模板的基础上继续改进。

Kadane's Algorithm in Python

如果数组为空或数组中没有正数元素时，会返回0。

def max_subarray(numbers):
    """Find the largest sum of any contiguous subarray."""
    best_sum = 0  # or: float('-inf')
    current_sum = 0
    for x in numbers:
        #current_sum为0或正整数
        current_sum = max(0, current_sum + x) #如果current_sum+x 大于0，则更新current_sum为current_sum+x；如果小于0，说明x一定小于0，则更新current_sum为0.
        best_sum = max(best_sum, current_sum)
    return best_sum

在此基础上的变体：如果数组中没有正数元素则返回数组最大值（这种设定更常见），如果数组为空，返回-inf。

def max_subarray(numbers):
    """Find the largest sum of any contiguous subarray."""
    best_sum = float('-inf')
    current_sum = 0
    for x in numbers:
        current_sum = max(x, current_sum + x)
        best_sum = max(best_sum, current_sum)
    return best_sum

拓展题目