转载至:https://blog.csdn.net/m0_37961948/article/details/79992662
参考中国大学Mooc (浙江大学)->数据结构
我把陈越姥姥讲的最大子列和记录一下,以备不时之需.
"最大子列和" 问题
给一个数组,让求出其中所有子列数据的和的Max 值.
1.暴力求解
拿到这个问题的第一瞬间想到的几乎都是暴力,
遍历所有的子序列,找到其中最大值
//暴力求解
int MaxSubseqSum1(int A[], int n)
{
int ThisSum, MaxSum = 0;
int i,j,k;
//找出所有子列
for (i = 0; i < n; i++)
{
for (j = i; j < n; j++)
{
ThisSum = 0;
for(k = i; k <= j; k++)
{
ThisSum += a[k];
}// 求子列和
if(ThisSum > MaxSum)
{
int t = ThisSum;
ThisSum = MaxSum;
MaxSum = t;
}
}
}
return MaxSum;
}
优点:特别容易被人理解,特别简单
缺点:时间复杂度N的立方,太慢了
2.暴力的改进版本
仔细分析第一种方法,可以得到,最内层 的 k 循环,完全可以通过简单的变化消失掉.
即:建立在 j 循环基础,消除 k 循环
//对暴力的简单改进
int MaxSubseqSum1(int A[], int n)
{
int ThisSum, MaxSum = 0;
int i,j,k;
//找出所有子列
for (i = 0; i < n; i++)
{
ThisSum = 0;
for (j = i; j < n; j++)
{//此处使用累加,消除掉 k 循环
ThisSum += a[j];
if(ThisSum > MaxSum)
{
int t = ThisSum;
ThisSum = MaxSum;
MaxSum = t;
}
}
}
return MaxSum;
}
时间复杂:N的平方
较第一种改进较大.
3. 二分
太过复杂,建议去大学Mooc 二分法链接 观看,此处只给出代码
int Max3( int A, int B, int C )
{ /* 返回3个整数中的最大值 */
return A > B ? A > C ? A : C : B > C ? B : C;
}
int DivideAndConquer( int List[], int left, int right )
{ /* 分治法求List[left]到List[right]的最大子列和 */
int MaxLeftSum, MaxRightSum; /* 存放左右子问题的解 */
int MaxLeftBorderSum, MaxRightBorderSum; /*存放跨分界线的结果*/
int LeftBorderSum, RightBorderSum;
int center, i;
if( left == right ) { /* 递归的终止条件,子列只有1个数字 */
if( List[left] > 0 ) return List[left];
else return 0;
}
/* 下面是"分"的过程 */
center = ( left + right ) / 2; /* 找到中分点 */
/* 递归求得两边子列的最大和 */
MaxLeftSum = DivideAndConquer( List, left, center );
MaxRightSum = DivideAndConquer( List, center+1, right );
/* 下面求跨分界线的最大子列和 */
MaxLeftBorderSum = 0; LeftBorderSum = 0;
for( i=center; i>=left; i-- ) { /* 从中线向左扫描 */
LeftBorderSum += List[i];
if( LeftBorderSum > MaxLeftBorderSum )
MaxLeftBorderSum = LeftBorderSum;
} /* 左边扫描结束 */
MaxRightBorderSum = 0; RightBorderSum = 0;
for( i=center+1; i<=right; i++ ) { /* 从中线向右扫描 */
RightBorderSum += List[i];
if( RightBorderSum > MaxRightBorderSum )
MaxRightBorderSum = RightBorderSum;
} /* 右边扫描结束 */
/* 下面返回"治"的结果 */
return Max3( MaxLeftSum, MaxRightSum, MaxLeftBorderSum + MaxRightBorderSum );
}
int MaxSubseqSum3( int List[], int N )
{ /* 保持与前2种算法相同的函数接口 */
return DivideAndConquer( List, 0, N-1 );
}
时间复杂度:N*log(N)
但是理论较难,代码晦涩.
直接发老师的代码拷过来了。主要是来思考时间复杂度。
对于一个数组,我们将其一分为二,分别得到各个部分的最优解。而要得到部分最优解,要继续进行下一次划分。
最小的问题是划分中只剩下一个元素。最后,我们比较这一次划分得到的最优解,从三个值中选择——划分左边的解,划分右边的解,越过划分的解。由此可得,对某个元素为n的问题,有:
T(n)=2T(n/2)+cO(n)
其中T(n/2)为解决左右情况的时间,cO(n)为扫描整个数据而得到越过划分的解的时间。
T(n)=4T(n/4)+2cO(n)
……
假设进行k次分治,找规律可以得到:
T(n)=2^kT(n/2^k)+kcO(n)
最小的问题规模为1,由n/2^k=1,得到k=logn。将k带入到T(n)=2^kT(n/2^k)+kcO(n)中可知:
T(n)=nT(1)+logn*cO(n)
故时间复杂度为nlogn。
此外,老师提到计算一下该算法的空间复杂度(①由递归产生的空间复杂度②算法整体空间复杂度),在这里我借鉴讨论区的答案总结一下。
递归调用了k=logn次,因此占用的空间为S(logn)。而对于整体,会将数组划分至最小,有n个,所以空间复杂度为S(logn)+S(n)=S(n)。
4.在线处理
一个牛逼的算法
从前到后进行一次遍历,找到其中最大值,但是只要某一段子列和为0,即抛弃此时的ThisSum,重新置为0
//在线处理法
int MaxSubseqSum4(int A[], int n)
{
int ThisSum = 0, MaxSum = 0;
int i;
for(i = 0; i<n; i++)
{
ThisSum += a[i];
if(ThisSum >MaxSum)
{
MaxSum= ThisSum;
}
else if(ThisSum <0){
ThisSum = 0;
}
}
return MaxSum;
}
时间: N
缺点: 总有人怀疑其正确性(讲真,我还觉得这个算法有问题...)