解题思路;
减而治之或者分而治之都好像不行。。(结果看了题解发现人家第二个题解就是分而治之。。。好打脸)
突然想到最长上升子序列,可以定义一个长度为n的数组,每一个用于记录以该下标为起点的序列,遍历到最后,记录下最大的序列和,最后遍历数组,找到最大的进行输出。
时间复杂度大概是,目前就这一种想法。。。。。
人傻了哟,超时了,看了一下测试超时的测试用例,密密麻麻的一片数字,无语住了。。。
但是试了一下,思路细节都是OK的,还是挺高兴的。咋这应该不算枚举吧,嘶,虽然好像确实是把所有情况都测过了,不管先把代码放这,咋去看题解!
class Solution {
public:
int maxSubArray(vector<int>& nums) {
int n = nums.size();
int result = -100;
vector<int> ans(n);
for (int i = 0; i < n; ++i) {
int max = -100, p = 0;
for (int j = i; j < n; ++j) {
p += nums[j];
if (p>max) max = p;
}
ans[i] = max;
}
for (int i = 0; i < n; ++i) {
if (ans[i] > result) result = ans[i];
}
return result;
}
};
看了一下题解,果然是动态规划,我的想法是对的,但相比于题解,我的循环次数重复了,没有利用好前面已经进行过的计算,就有些类似于KMP模式匹配算法和BF算法的区别。
对于题解的动态规划,他使用的是用f(i)来表示以i结尾的最大子数组和,然后从第一个开始向后计算,于是就有动态规划转移方程:(这里是截图)
很明显,f(i)的值应该为f(i-1)+nums[i]和nums[i],之间的较大者,这里解释一下,理解的关键在于f(i)的意思是以i结尾的最大子数组和,所以f(i-1)+nums[i]反而变小了,则最大子数组和就是他本身,应该来说,理解了f(i)的意思,应该好懂的这个动态规划转移方程。
而且跟好的是按这样来计算,其实开一个int就可以,后面直接滚动数组来存储和计算就可以,空间复杂度也小。
我试着想了一下能不能改进一下我的代码,发现确实不好,所以嘛,咋打不过就加入,嘿嘿嘿【doge】
下面是代码:
class Solution {
public:
int maxSubArray(vector<int>& nums) {
int n = nums.size();
int pre = 0, maxn = nums[0];
for (int i = 0; i < n; ++i) {
pre = max(pre+nums[i], nums[i]);
maxn = max(pre, maxn); //在遍历的同时存储最大的f(i)
}
return maxn;
}
};