给你一个整数数组 nums
,请你找出一个具有最大和的连续子数组(子数组最少包含一个元素),返回其最大和。
子数组是数组中的一个连续部分。
示例 1:
输入:nums = [-2,1,-3,4,-1,2,1,-5,4] 输出:6 解释:连续子数组 [4,-1,2,1] 的和最大,为 6 。
示例 2:
输入:nums = [1] 输出:1
示例 3:
输入:nums = [5,4,-1,7,8] 输出:23
提示:
1 <= nums.length <= 10^5
-10^4 <= nums[i] <= 10^4
解法1:动态规划
假设 nums 数组的长度是 n,下标从 0 到 n−1。
我们用 maxPresum[i] 代表以第 i 个数结尾的「连续子数组的最大和」,那么很显然我们要求的答案就是:
0≤i≤n−1, max( maxPresum[i] )
因此我们只需要求出每个位置的 maxPresum[i],然后返回 maxPresum 数组中的最大值即可。那么我们如何求 maxPresum[i] 呢?我们可以考虑 nums[i] 单独成为一段还是加入 maxPresum[i−1] 对应的那一段,这取决于 nums[i] 和 maxPresum[i - 1]+nums[i] 的大小,我们希望获得一个比较大的,于是可以写出这样的动态规划转移方程:
maxPresum[i]=max( (maxPresum[i−1])+nums[i], nums[i])
不难给出一个时间复杂度 O(n)、空间复杂度 O(n) 的实现,即用一个 maxPresum 数组来保存 maxPresum[i] 的值,用一个循环求出所有 maxPresum[i]。考虑到 maxPresum[i] 只和 maxPresum[i - 1] 相关,于是我们可以只用一个变量 maxPresum 来维护对于当前 maxPresum[i] 的 maxPresum[i - 1] 的值是多少,从而让空间复杂度降低到 O(1),这有点类似「滚动数组」的思想。
Java版:
class Solution {
public int maxSubArray(int[] nums) {
int maxPresum = 0;
int ans = nums[0];
for (int num: nums) {
maxPresum = Math.max(maxPresum + num, num);
ans = Math.max(ans, maxPresum);
}
return ans;
}
}
Python3版:
class Solution:
def maxSubArray(self, nums: List[int]) -> int:
maxPresum = 0
ans = nums[0]
for num in nums:
maxPresum = max(maxPresum + num, num)
ans = max(ans, maxPresum)
return ans
复杂度分析
- 时间复杂度:O(n),其中 n 为 nums 数组的长度。我们只需要遍历一遍数组即可求得答案。
- 空间复杂度:O(1)。我们只需要常数空间存放若干变量。
解法2:前缀和
由于子数组的元素和等于两个前缀和的差,所以求出 nums 的前缀和,维护最小前缀和,每次比较当前前缀和 减去 最小前缀和的值 和 ans的值 ,取最大值作为答案。
Java版:
class Solution {
public int maxSubArray(int[] nums) {
int ans = Integer.MIN_VALUE;
int presum = 0;
int min_presum = 0;
for (int num: nums) {
presum += num;
ans = Math.max(ans, presum - min_presum);
min_presum = Math.min(min_presum, presum);
}
return ans;
}
}
Python3版:
Python math.inf 正无穷大的浮点数,负无穷大,使用 -math.inf 。
class Solution:
def maxSubArray(self, nums: List[int]) -> int:
ans = -math.inf
presum = 0
min_presum = 0
for num in nums:
presum += num
ans = max(ans, presum - min_presum)
min_presum = min(min_presum, presum)
return ans
复杂度分析
- 时间复杂度:O(n),其中 n 为 nums 数组的长度。我们只需要遍历一遍数组即可求得答案。
- 空间复杂度:O(1)。我们只需要常数空间存放若干变量。
解法3:分治
连续子序列的最大和主要由这三部分子区间里元素的最大和得到:
第 1 部分:子区间 [left, mid];
第 2 部分:子区间 [mid + 1, right];
第 3 部分:包含子区间 [mid] 的子区间,即 nums[mid] 一定会被选取,可以从中间向两边扩散,扩散到底 选出最大和;
对这三个部分求最大值即可。
Java版:
class Solution {
public int maxSubArray(int[] nums) {
return maxSubArraySum(nums, 0, nums.length - 1);
}
private int maxSubArraySum(int[] nums, int left, int right) {
if (left == right) {
return nums[left];
}
int mid = left + (right - left) / 2;
return Math.max( Math.max(maxSubArraySum(nums, left, mid), maxSubArraySum(nums, mid + 1, right)), maxCrossingSum(nums, left, mid, right) );
}
// 一定包含 nums[mid] 元素的最大连续子数组的和
// 思路是看看左边扩散到底,得到一个最大和
// 右边扩散到底得到一个最大和
private int maxCrossingSum(int[] nums, int left, int mid, int right) {
int presum = 0;
int leftSum = Integer.MIN_VALUE;
int rightSum = Integer.MIN_VALUE;
// 左半边包含 nums[mid] 元素,最多可以到什么地方
// 走到最边界,看看最值是什么
// 计算以 mid 结尾的最大的子数组的和
for (int i = mid; i >= left; i--) {
presum += nums[i];
leftSum = Math.max(leftSum, presum);
}
presum = 0;
// 右半边不包含 nums[mid] 元素,最多可以到什么地方
// 计算以 mid+1 开始的最大的子数组的和
for (int i = mid + 1; i <= right; i++) {
presum += nums[i];
rightSum = Math.max(rightSum, presum);
}
return leftSum + rightSum;
}
}
Python3版:
class Solution:
def maxSubArray(self, nums: List[int]) -> int:
def maxCrossingSum(nums, left, mid, right):
presum = 0
leftSum = -math.inf
rightSum = -math.inf
for i in range(mid, left - 1, -1):
presum += nums[i]
leftSum = max(leftSum, presum)
presum = 0
for i in range(mid + 1, right + 1, 1):
presum += nums[i]
rightSum = max(rightSum, presum)
return leftSum + rightSum
def maxSubArraySum(nums, left, right):
if left == right:
return nums[left]
mid = left + (right - left) // 2
return max(maxSubArraySum(nums, left, mid), maxSubArraySum(nums, mid + 1, right), maxCrossingSum(nums, left, mid, right))
return maxSubArraySum(nums, 0, len(nums) - 1)
复杂度分析
- 时间复杂度:O(nlogn),这里递归的深度是对数级别的,每一层需要遍历一遍数组(或者数组的一半、四分之一);
- 空间复杂度:O(logn),需要常数个变量用于选取最大值,需要使用的空间取决于递归栈的深度。