最大连续子数列和问题

问题描述：给定一串整数，找出其中和最大的连续子数列，包括子数列的位置和最大和。

 

给定整数序列：{0, -3, 6, 8, -20, 21, 8, -9, 10, -1, 3, 6, 5}

其中和最大的连续子数列为：{21, 8, -9, 10, -1, 3, 6, 5}

 

【PS】

如果序列里都是负数的话，本文的算法返回最大的负数。有一种思想是，如果所有输入数据都是负数，则最大连续子数列为空，值为0，类似空集是任意集合的子集。

 

【暴力搜索】

依次以序列的每一个数为子数列的开头，遍历所有的情况，时间复杂度为o(n*n)。

//o(n*n) void MaxSubSet_1(int nums[], int length) { if (length == 0) return; int start = 0; int end = 0; int maxSum = nums[0]; int sum; for (int i = 0; i < length; i++) { sum = nums[i]; for (int j = i; j < length; j++) { sum +=nums[j]; if (sum > maxSum) { start = i; end = j; maxSum = sum; } } } cout << "Max:" << maxSum << " ( " << start << ", " << end << " )" << endl; }

 

【线性算法】

时间复杂度为o(n)。

这个算法是基于两个结论得来的。

1.  如果数列A的某个子列A(i, j) 的和S(i, j) < 0， 那么A(i, q) (q > j) 肯定不是数列A的最大递增子列。

S(i, q) = S(i, j) + S(j+1, q) < 0 + S(j+1, q) = S(j+1, q)

这个结论说明，从位置 i 开始的子列，一旦遇到和为0的子列，后面可以不搜索了，直接从 j+1 开始重新计算。

 

2.  如果A(i, j) 是数列A以 i 起始的子列中第一个和S(i, j) < 0 的，则对任意 i <= p <= j, p<= q，A(p, q) 的和 S(p, q) 要么小于最大连续子列和，要么与现存的最大连续子列和相等。所以A(p, q)序列可以跳过。

因为S(i ,j) 是第一个<0 的，所以S(i, p-1)必然>=0，则 S(p, q) = S(i, q) - S(i, p-1) <= S(i, q)

    i      p        j       q

---|-----|-------|------|---------------------

- 当 q > j 时，由结论1得知， S(i, q) < S(j+1, q)，则 S(p, q) < S(j+1, q)

    i      p        q       j

---|-----|-------|------|---------------------

- 当q <= j 时，（这个暂时不会证明。。。）

 //o(n) void MaxSubSet_2(int nums[], int length) { if (length == 0) return; int start = 0; int sum = nums[0]; int maxStart = 0; int maxEnd = 0; int maxSum = nums[0]; for (int i = 1; i < length; i++) { sum += nums[i]; if (sum > maxSum) { maxStart = start; maxEnd = i; maxSum = sum; } if (sum < 0) { start = i + 1; sum = 0; } } cout << "Max: " << maxSum << " ( " << maxStart << ", " << maxEnd << " )" << endl; }

 

【分治算法】

分治算法将一个复杂的问题分解成一个个相似的简单的问题，先解决规模较小的问题，然后通过适当的组合来解决复杂的问题。特别适用于目前日渐流行的多核处理器，每个核分别同时计算小问题，再汇总结果，实现算法的并行化。

1. 规模分解

把问题的操作数集合分为2个部分，对两个子数据集合分别操作，最后进行归并。而子数据集合又可以细分成更小的数据集，用递归来实现最合适啦。

把序列 A 均分为前后两个部分 A1 和 A2， 假设我们已经找到了A1和A2的最大连续数列，那么 A 的最大连续数列：

- 全部在A1中

- 全部在A2中

- A1的后半部+A2的前半部

 

时间复杂度o(nlogn)

//o(nlogn) void MaxSubSet_3(int nums[], int begin, int length, int& start, int& end, int& maxSum) { if (length == 0) { start = 0; end = 0; maxSum = 0; return; } if (length == 1) { start = begin; end = begin; maxSum = nums[begin]; return; } int start_1, end_1, maxSum_1; int start_2, end_2, maxSum_2; int start_3, end_3, maxSum_3; int headSum, tailSum, sum; int len_1 = length / 2; MaxSubSet_3(nums, begin, len_1, start_1, end_1, maxSum_1); MaxSubSet_3(nums, begin+len_1, length - len_1, start_2, end_2, maxSum_2); //Compute the max sum of the first half of array sum = nums[len_1-1]; headSum = nums[len_1-1]; start_3 = len_1-1; for(int i = len_1-2; i>=begin; i--) { sum += nums[i]; if (sum > headSum) { headSum = sum; start_3 = i; } } //Compute the max sum of the second half of array sum = nums[len_1]; tailSum = nums[len_1]; end_3 = len_1; for (int i = len_1+1; i < length;i++) { sum += nums[i]; if (sum > tailSum) { tailSum = sum; end_3 = i; } } maxSum_3 = headSum + tailSum; if (maxSum_1 > maxSum_2) { start = start_1; end = end_1; maxSum = maxSum_1; } else { start = start_2; end = end_2; maxSum = maxSum_2; } if (maxSum < maxSum_3) { start = start_3; end = end_3; maxSum = maxSum_3; } }

 

2. 递推式分解

实际上是数学归纳法。如果知道了规模为 n-1 的最大子数列，现在在这个子列后面多加一个蒜素，如何根据现有的结果得到规模为 n 的最大子数列。在这里，递推式分解是规模分解的一个特例，把问题分为了n-1 和 1 两个部分。也有3种情况：

- 全部在n-1的数列中

- 就是最后一个数

- n-1的数列的后缀+最后一个数

 

时间复杂度o(n)。

 

【参考】

http://www.cnblogs.com/Jason_Yao/archive/2009/09/27/1574713.html

 回复里面有个很简洁的算法实现。