代码随想录系列文章目录
动态规划篇 —— 股票问题收尾、 线性dp开
714.买卖股票的最佳时机含手续费
题目链接
这道题和买卖股票2是一样的,两个状态,可以多次买卖但是只能持有一只股票
等于复习了
def maxProfit(self, prices: List[int], fee: int) -> int:
dp = [[0] * 2 for _ in range(len(prices))]
dp[0][0] = -prices[0] - fee
for i in range(1, len(prices)):
dp[i][0] = max(dp[i-1][0], dp[i-1][1]-prices[i]-fee) #持有
dp[i][1] = max(dp[i-1][1], dp[i-1][0] + prices[i]) #不持有
return dp[-1][1]
309.最佳买卖股票时机含冷冻期
这个状态的定义有些多也有些乱说实话, 我试图捋一捋这些状态,但是刷一遍肯定是记不住的
这个题的base 还是买卖股票2, 相比于买卖股票2 多了一个 冷冻期;
就是在卖出股票之后,你不能立马买入股票,要有一天的冷冻期,这样的话状态的转移关系就变的不同了
1.状态定义
由于冷冻期的存在,这个题有四种状态
持有股票状态, 今天买入股票,或者是之前就买入了股票然后没有操作(状态1)
不持有股票状态,又分为两种状态:
两天前就卖出了股票,度过了冷冻期,一直没操作,今天保持卖出股票状态(状态2)
今天卖出了股票(状态3)
今天为冷冻期状态,但冷冻期状态不可持续,只有一天(状态4)
2.状态转移
持有股票的状态(状态1), 分为前一天就持有,和今天买入
前一天就持有是 dp[i-1][0]
今天买入分为两种情况, 一种是昨天是冷冻期 dp[i-1][3] - prices[i](状态4)
一种是昨天是保持股票卖出状态 dp[i - 1][1] - prices[i](状态2)
dp[i][0] = max(dp[i - 1][0], max(dp[i - 1][3], dp[i - 1][1]) - prices[i])
保持卖出股票状态(状态2)
前一天是状态2,或者前一天是冷冻期
dp[i][1] = max(dp[i - 1][1], dp[i - 1][3])
今天就卖出股票状态(状态三)
昨天一定是买入
dp[i][2] = dp[i - 1][0] + prices[i]
达到冷冻期状态(状态四)
昨天一定是卖出
dp[i][3] = dp[i - 1][2]
状态转移总结
dp[i][0] = max(dp[i - 1][0], max(dp[i - 1][3], dp[i - 1][1]) - prices[i]);
dp[i][1] = max(dp[i - 1][1], dp[i - 1][3]);
dp[i][2] = dp[i - 1][0] + prices[i];
dp[i][3] = dp[i - 1][2];
3.base case
除了第一个状态dp[0][0] = -prices[0]
其余都是初始化成0就行
4.遍历顺序以及解的位置
遍历顺序就正序就行
最后结果是取 状态二,状态三,和状态四的最大值,不少同学会把状态四忘了,状态四是冷冻期,最后一天如果是冷冻期也可能是最大值
max(dp[n - 1][3],max(dp[n - 1][1], dp[n - 1][2]))
代码
class Solution:
def maxProfit(self, prices: List[int]) -> int:
dp = [[0] * 4 for _ in range(len(prices))]
dp[0][0] = -prices[0]
for i in range(1, len(prices)):
dp[i][0] = max(dp[i-1][0], max(dp[i-1][3], dp[i-1][1])-prices[i])#持有股票 分为前一天就持有股票, 今天买(又分为前一天是冷冻期和保持不持有股票状态)
dp[i][1] = max(dp[i-1][1], dp[i-1][3])#不持有股票状态中的保持卖出的状态,分为前一天就卖出,和前一天是冷冻期
dp[i][2] = dp[i-1][0] + prices[i] #今天就卖出,前一天肯定是持有
dp[i][3] = dp[i-1][2] #冷冻期,前一天肯定是卖出
return max(dp[-1][3], max(dp[-1][2], dp[-1][1]))
股票问题总结
最长上升子序列
题目链接
1.状态定义
dp[i]定义为, 以i为结尾的序列的最长上升子序列的长度
2.状态转移
位置i的最长升序子序列等于j从0到i-1各个位置的最长升序子序列 + 1 的最大值。
所以:if (nums[i] > nums[j]) dp[i] = max(dp[i], dp[j] + 1);
3.base case
初始化为1,因为单个的就是1
4.遍历顺序和解的位置
正序遍历
解的位置可能不在最后,需要在遍历i的时候动态维护一下
class Solution:
def lengthOfLIS(self, nums: List[int]) -> int:
if len(nums) == 1: return 1
dp = [1] * len(nums)
res = 0
for i in range(1, len(nums)):
for j in range(0, i):
if nums[i] > nums[j]: dp[i] = max(dp[i], dp[j]+1)
if res < dp[i]: res = dp[i]
return res