Java动态规划算法求解最大子数和问题

动态规划算法

动态规划算法是求解决策最优解的重要算法。当我们遇到多阶段决策问题时，即某一阶段的决策会影响下一阶段的决策，动态规划算法能够形成一个决策序列，进而确定整个活动所执行的行动路线。而其中每一阶段的决策都依赖于上一步的决策，同时也影响着下一步的决策，故称动态规划。

动态规划的解题步骤

1. 确定状态转移公式，即当前的状态怎么由前面的状态变化而来以及辅助的dp数组。理解dp数组中各个元素代表的含义是构建转移公式的关键。
2. 初始化dp数组。
3. 根据题目条件确定遍历顺序，实现状态转移公式。

最大子数和问题

最大子数和问题如下：给定一个整数数组，找到一个具有最大连续子数和，返回其最大值。

举个栗子，{1,-1,-2,2,3,4,5,6,-3}是一个整数型数组，1,-1,-2三个数是一个连续子数，但是这仨的和明显不如2,3,4,5,6这个连续子数和要大。我们需要在数组中找到一个最大的连续子数和并输出其子数和。

public class dp {
    public static void main(String[] args) {
        int[] nums = {1,-1,-2,2,3,4,5,6,-3};
        System.out.println(maxSubArray(nums));
    }

    public static int maxSubArray(int[] nums) {
        //采用双指针法穷举所有元素的连续子数和，但是时间复杂度高（两个for循环）
        //1.初始化dp数组，目标数组有多少个元素就设定多大的dp数组
        int[] dp = new int[nums.length];
        dp[0] = nums[0];
        //2.创建变量以保存dp数组最大值
        int result = dp[0];
        //3.遍历dp数组时，由于已经利用nums进行过初始化，因此从第二个元素开始遍历即可。
        for (int i = 1; i < nums.length; i++) {
            //4.状态转移公式
            dp[i] = Math.max(dp[i - 1] + nums[i], nums[i]);
            if (dp[i] > result) {
                result = dp[i];
            }
        }
        return result;
    }
}

细心的朋友也会发现对于建立的dp数组，每次迭代使用的数据其实只有dp[i-1]，那么dp数组里其余的元素会白白消耗内存空间，因此可以进一步作出优化。建立临时变量保存迭代过程中的最大子数和，并在每次迭代之后进行更新。

public class dp {
    public static void main(String[] args) {
        int[] nums = {1,-1,-2,2,3,4,5,6,-3};
        System.out.println(bettermaxSubArray(nums));
    }

    public static int bettermaxSubArray(int[] nums) {
        //直接记录数组首位数为result，同时记录为暂存的最大值
        int result = nums[0];
        int max = result;
        for (int i = 1; i < nums.length; i++) {
            max = Math.max(max + nums[i], nums[i]);
            if (max > result) {
                result = max;
            }
        }
        return result;
    }