求最大子序列之和

今天一下午在看sharepoint了，又有活干，所以时间比较紧凑，于是想起了前些日子写的求最大子序列之和，作为每日一小题吧，暂做自我安慰吧。

 

求最大子序列之和，主要要注意他的效率，

 1，算法复杂度是O( pow( n, 2 ) )

 

int max_sub(int a[], int size) { int i, j, v, max = a[0]; for(int i = 0; i < size; i++) { v = 0; for(int j = i; j < size; j++) { v = v + a[j]; if( v > max) { max = v; } } } return max; }

2，算法复杂度为o(n)

int max_sub2(int a[],int size) { int i, max =0, temp_max =0; for(i = 0; i < size; i++) { temp_max = temp_max + a[i]; if(temp_max > max) max = temp_max; else if(temp_max < 0) temp_max = 0; } return max; }

3,还从网上看了一种 递归的“分而治之”( divide-and-conquer  )的方法。（现在转一下）

比如  4   -3   5   -2        -1   2   6   -2

          First                  Second 

把序列分为两部分，那么最长子序列要么在First，要么在Second，要么就既在First又在Second。

第一中情况只要求First的最大子序列（递归调用），第二中情况只要求Second的最大子序列（还是递归调用）。对于第三种情况，只要找到包含First最后一个元素（在例子中是2）在First的最大子序列（例子中是 4，-3，5，-2）和包含Second起始元素（-1）在Second的最大子序列（-1，2，6）然后相加就行了。

这种算法的复杂度计算和计算斐波那契数列的复杂度相似，设 N 个数的执行次数是 T( N ) ，那么 T( N ) = 2*T( N/2 ) + O( N )  其中T( 1 ) = 1

O( N ) 可以看成 N ，那么可以观察得到 T( N ) = N * logN

 int maxSumRec( const vector<int> & a, int left, int right ) { if ( left == right ) if ( a[ left ] > 0 ) return a[ left ]; else return 0; int center = ( left + right ) / 2; int maxLeftSum = maxSumRec( a, left, center ); int maxRightSum = maxSumRec( a, center, right ); int maxLeftBorderSum = 0, leftBorderSum = 0; for ( int i = center; i>= left; i-- ) { leftBorderSum += a[ j ]; if ( leftBorderSum > maxLeftBorderSum ) maxLeftBorderSum = leftBorderSum; } int maxRightBorderSum = 0, RightBorderSum = 0; for ( int i = center; i <= right; i++ ) { RightBorderSum += a[ j ]; if ( RightBorderSum > maxRightBorderSum ) maxRightBorderSum = rightBorderSum; } return max3( maxLeftSum, maxRightSum, maxLeftSum + maxRightSum ); // 判断三个数最大值的函数 } int maxSubSum3( const vector<int> & a ) { return maxSumRec( a, 0, a.size() - 1 ); }