一维动态规划-连续子序列和最大值

1.问题引入

前面介绍了利用分治算法求解股票买卖问题，并且已经知道这个问题可以转化为求连续子序列和的最大值问题。如股票价格为$[10,11,7,10,6]$，那么前后两日的收益差值为$[1,-4,3,-4]$。原问题就变换成给定一个序列，找出其中连续累加值最大的子序列，序列$[1,-4,3,-4]$中$[3]=3$即为连续累加值最大的子序列，意味着在股票价格为7的时候买入，股价为10的时候卖出将获得最佳收益，收益值为3。
当给定n个元素的序列A，求和最大的连续子序列时，输入序列元素必须包含负值才有意义。否则当输入序列均为正值，那么连续子序列和最大的就是原序列本身。
该问题最简单的算法就是穷举给定序列的所有子序列，然后求得子序列累加和的最大值。对于有$n$个元素的序列，其所有连续子序列的个数为$n^2$。说明:n个元素的序列，每一个元素都可以作为连续子序列起点和终止点，而每一个起点可以对应n个终止点，故连续子序列的个数共有n²。该问题也可以用分治法来求解，分治算法的时间复杂度为$O(nlogn)$。下面将根据动态规划求解问题的基本步骤，介绍时间复杂度为$O(n)$的算法。

2.定义子问题

该问题输入的是一个有$n$个元素的序列$A$，不妨设$P(i)$为直到第$i$个元素的最大和，也就是将输入序列的前缀作为子问题。每一个元素就对应一个子问题，子问题的个数为$\Theta (n)$。

3.猜测解

对于子问题$P(i)$，考察元素$A[i]=-5$，如图9.6所示。该元素要么在子问题的解中，要么不在，也就是:

• 子问题$P(i)$的解包括第$i$个元素，如图($1$)第二行所示。此时有$P(i)=P(i-1)+A(i)$;
• 子问题$P(i)$的解不包括第$i$个元素(即包括第$i$个元素不是最大和，需要更换起点为，此时起止点重合在$A[i]$取得最大和)，如图(1)第三行所示。意味着需要从第$i$个元素开始重新计算值，即$P(i)=A(i)$

$$\begin{gathered} \underline{\begin{array}{c}\begin{array}{cccc}-2& 11& -4& 13\end{array}-5)\end{array}} \\ \begin{array}{ccccc}-2& 11& -4& 13)& -5\end{array} \\ \begin{array}{ccccc}-2& 11& -4& 13& (-5\end{array}\text{\hspace{1em}(1)} \end{gathered}$$

4.子问题之间的递归关系

根据以上分析，可以建立子问题间的递归关系如下：

P ( i ) = m a x { P ( i − 1 ) + A ( i ) , A ( i ) } \begin{aligned} P(i)=max\{P(i-1)+A(i),A(i)\} \end{aligned} P(i)=max{P(i−1)+A(i),A(i)}​
初始条件为
$$\begin{array}{r}P(0)=0\end{array}$$
这个递归式与之前拾捡硬币问题的递归式类似，都是当前子问题的解只与已经求解的子问题有关，也就是递归求解的过程满足拓扑排序。

5.自底向上构造动态规划表

对于每一个子问题的解，由于只与已经求出的子问题解有关。也就是说，如果将个子问题间的关系画成图，求解该问题的过程就相当于在图上做拓扑排序。因此，可自底向上实现的递归关系，见代码6。下表是输入序列$A=[-2,11,-4,13,-5,2]$时，自底向上构造的动态规划表table

i	0	1	2	3	4	5	6
table(i)	0	-2	11	7	20	15	17

6. Python实现时间复杂度O(n)的算法求解连续子序列和最大值

代码6

def bottom_up_cont_sub_seq(seq):
    """
    自底向上实现时间复杂度O(n)的算法求解连续子序列和最大值
    :param seq:原始序列
    :return: 连续子序列和最大值，连续子序列和最优解
    """
    item_nums = len(seq)
    table = [0] * (item_nums + 1)  # 初始化动态规划表
    table[1] = seq[0]  # 表中第2项为序列第1项
    global_best = []  # 初始化最优解序列
    for i in range(2, item_nums + 1):
        table[i] = max(table[i - 1] + seq[i - 1], seq[i - 1])  # 由于表长比序列大1，所以当前元素索引为i-1
    max_sum = max(table)
    ind_max = table.index(max_sum)
    while ind_max >= 1:
        # 表当前元素值等于表左边子问题的值+序列当前元素值(索引比表小1)
        if table[ind_max] == table[ind_max - 1] + seq[ind_max - 1]:
            global_best.append(seq[ind_max - 1])
            ind_max -= 1
        # 达到起点终止
        else:
            global_best.append(seq[ind_max - 1])
            break
    return max_sum, global_best[::-1]

7.测试

if __name__ == '__main__':
    sequence = [-2, 11, -4, 13, -5, 2]
    max_value,global_best_sub_seq = bottom_up_cont_sub_seq(sequence)
    print("原始序列为:{}\n连续子序列和最大值为:{}\n连续子序列和最优解为:{}".format(sequence,max_value,global_best_sub_seq))

8.运行截图