(详细题解,那个动图让我瞬间理解)
解题思路:
股票问题一共有六道:买卖股票的最佳时机(1,2,3,4)、含冷冻期、含手续费。本题是第一道,属于入门题目。
股票问题的方法就是 动态规划,因为它包含了重叠子问题,即买卖股票的最佳时机是由之前买或不买的状态决定的,而之前买或不买又由更早的状态决定的...
由于本题只有一笔交易(买入卖出),因此除了动态规划,我们还可以使用更加简便的方法实现。
官方题解方法二:一次遍历
遍历一遍数组,计算每次 到当天为止 的最小股票价格和最大利润。
class Solution:
def maxProfit(self, prices: List[int]) -> int:
minprice = float('inf')
maxprofit = 0
for price in prices:
minprice = min(minprice, price)
maxprofit = max(maxprofit, price - minprice)
return maxprofit
float('inf')表示正无穷
复杂度分析
- 时间复杂度:\mathcal{O}(n)O(n),遍历了一遍数组。
- 空间复杂度:\mathcal{O}(1)O(1),使用了有限的变量。
方法二:动态规划
动态规划一般分为一维、二维、多维(使用 状态压缩),对应形式为 dp(i)dp(i)、dp(i)(j)dp(i)(j)、二进制dp(i)(j)二进制dp(i)(j)。
1. 动态规划做题步骤
明确 dp(i)dp(i) 应该表示什么(二维情况:dp(i)(j)dp(i)(j));
根据 dp(i)dp(i) 和 dp(i-1)dp(i−1) 的关系得出状态转移方程;
确定初始条件,如 dp(0)dp(0)。
2. 本题思路
其实方法一的思路不是凭空想象的,而是由动态规划的思想演变而来。这里介绍一维动态规划思想。
dp[i]dp[i] 表示前 ii 天的最大利润,因为我们始终要使利润最大化,则:
dp[i] = max(dp[i-1], prices[i]-minprice)
dp[i]=max(dp[i−1],prices[i]−minprice)
class Solution:
def maxProfit(self, prices: List[int]) -> int:
n = len(prices)
if n == 0: return 0 # 边界条件
dp = [0] * n
minprice = prices[0]
for i in range(1, n):
minprice = min(minprice, prices[i])
dp[i] = max(dp[i - 1], prices[i] - minprice)
return dp[n-1]
复杂度分析
- 时间复杂度:O(n)。
- 空间复杂度:O(n)。