题目
给定K个整数组成的序列{ N1, N2, ..., NK },“连续子列”被定义为{ Ni, Ni+1, ..., Nj },其中 1≤i≤j≤K。“最大子列和”则被定义为所有连续子列元素的和中最大者。例如给定序列{ -2, 11, -4, 13, -5, -2 },其连续子列{ 11, -4, 13 }有最大的和20。现要求你编写程序,计算给定整数序列的最大子列和。
本题旨在测试各种不同的算法在各种数据情况下的表现。各组测试数据特点如下:
- 数据1:与样例等价,测试基本正确性;
- 数据2:
个随机整数;
- 数据3:
个随机整数;
- 数据4:
个随机整数;
- 数据5:
个随机整数;
输入格式
输入第1行给出正整数K (≤100000);第2行给出K个整数,其间以空格分隔。
输出格式
在一行中输出最大子列和。如果序列中所有整数皆为负数,则输出0。
输入样例
6
-2 11 -4 13 -5 -2
输出样例
20
算法一
思路:暴力美学,使用穷举法,将输入的正整数序列的每种情况就行对比,需要使用三重循环以求出最长子序列之和。
int MaxSubSequm1(int A[], int N)
{
int ThisSum, MaxSum = 0;
int i, j, k;
for (i = 0; i < N; i++) { // i 是子列左端的位置
for (j = i; j < N; j++){ //j 是子列右端的位置
ThisSum = 0;
for (k = i; k <= j; k++)
ThisSum += A[k];
if (ThisSum>MaxSum) // 如果刚得到的子列和更大
MaxSum = ThisSum; // 更新结果
}
}// 循环结束
return MaxSum;
}
时间复杂度:
思考:
- 能够取消一层循环?
- 能否时间复杂度减低一下?
- 问题的核心是什么?
算法二
思路:暴力操作,使用二重循环,降低时间复杂度。
int MaxSubSequm1(int A[], int N)
{
int ThisSum, MaxSum = 0;
int i, j;
for (i = 0; i < N; i++) { // i 是子列左端的位置
ThisSum=0;
for (j = i; j < N; j++){ //j 是子列右端的位置
ThisSum +=A[j]; //*
// 对于相同i ,的不同j ,只要在j-1次循环的基础上累加1 项即可
if (ThisSum>MaxSum) // 如果刚得到的子列和更大
MaxSum = ThisSum; // 更新结果
}
}// 循环结束
return MaxSum;
}
时间复杂度:
思考:
- 时间复杂度为
能变成
?
- 问题中的特殊情况
- 如果全部序列都为正数,即最大子列和就是其自身
- 如果最大子列全部为负数,那么最大子列和就是最小的负数
- 所以,只有当前子列为正数时,才能使最大子列和增大。
我们可以通过抛弃负子列,保证最大子列和递增。当扫描一遍,最大子列和不再递增时,当前的最大子列和即为我们的解。
算法三
思路:分而治之,就是把一个复杂的问题分成两个或更多的相同或相似的子问题,再把子问题分成更小的子问题……直到最后子问题可以简单的直接求解,原问题的解即子问题的解的合并。在此问题中,将一个大的序列分为两个小的序列,再进行分解......直到每个小序列只有一个数值,在每个小序列中,需要求出:
1)左边序列最大子列和(时间复杂度为T(n/2));
2)右边序列最大子列和(时间复杂度为T(n/2));
3)横跨左右划分边界的最大子列和(左边扫描一遍,右边扫描一遍,每个数值只扫描了一遍,时间复杂度为O(n));
求出之后其中最大值就是最大子序列和。
int Max3( int A, int B, int C )
{ /* 返回3个整数中的最大值 */
return A > B ? A > C ? A : C : B > C ? B : C;
}
int DivideAndConquer( int List[], int left, int right )
{ /* 分治法求List[left]到List[right]的最大子列和 */
int MaxLeftSum, MaxRightSum; /* 存放左右子问题的解 */
int MaxLeftBorderSum, MaxRightBorderSum; /*存放跨分界线的结果*/
int LeftBorderSum, RightBorderSum;
int center, i;
if( left == right ) { /* 递归的终止条件,子列只有1个数字 */
if( List[left] > 0 ) return List[left];
else return 0;
}
/* 下面是"分"的过程 */
center = ( left + right ) / 2; /* 找到中分点 */
/* 递归求得两边子列的最大和 */
MaxLeftSum = DivideAndConquer( List, left, center );
MaxRightSum = DivideAndConquer( List, center+1, right );
/* 下面求跨分界线的最大子列和 */
MaxLeftBorderSum = 0; LeftBorderSum = 0;
for( i=center; i>=left; i-- ) { /* 从中线向左扫描 */
LeftBorderSum += List[i];
if( LeftBorderSum > MaxLeftBorderSum )
MaxLeftBorderSum = LeftBorderSum;
} /* 左边扫描结束 */
MaxRightBorderSum = 0; RightBorderSum = 0;
for( i=center+1; i<=right; i++ ) { /* 从中线向右扫描 */
RightBorderSum += List[i];
if( RightBorderSum > MaxRightBorderSum )
MaxRightBorderSum = RightBorderSum;
} /* 右边扫描结束 */
/* 下面返回"治"的结果 */
return Max3( MaxLeftSum, MaxRightSum, MaxLeftBorderSum + MaxRightBorderSum );
}
int MaxSubseqSum3( int List[], int N )
{ /* 保持与前2种算法相同的函数接口 */
return DivideAndConquer( List, 0, N-1 );
}
算法四
思路:在线处理,在线 的意思是指每输入一个数据就进行 即时处理 ,在任何一个地方终止输入,算法都能能正确给出当前解。抛弃结果为负的子列,保证最大子列和递增。
int MaxSubseqSum4(int A[], int N)
{
int ThisSum, MaxSum;
int i;
ThisSum = MaxSum = 0;
for (i = 0; i < N; i++){
ThisSum += A[i];//向右累加
if (ThisSum>MaxSum)
MaxSum = ThisSum; // 发现更大和则更新当前结果
else if (ThisSum < 0) // 如果当前子列和为负数
ThisSum = 0; // 则不可能使后面部分和增大,抛弃之
}
return MaxSum;
}
时间复杂度
思考:
- 能不能对中间的结果进行保存,使用其他算法,如动态规划,贪心算法?
- 各种算法的核心是什么?
算法五
思路:动态规划,状态转移方程为:MaxSum[i] = Max{ MaxSum[i-1] + A[i], A[i]};对于最大连续子列和来说,往往是有两种情况,一种是一直相加,中间某一过程中最大,另一种是重新开始的子列和最大。MaxSum[i] 表示前i个最大连续子列和。时间复杂度为O(n)
int dp(int A[],int N)
{
int *dp = new int[N];
dp[0] = A[0]; //边界
int MaxSum = dp[0];
for(int i = 1;i < N;i++)
{
dp[i] = (dp[i-1] + A[i] > A[i]) ?(dp[i-1] + A[i]):A[i];
if(dp[i] > MaxSum)
MaxSum = dp[i];
}
return MaxSum;
}