leetcode — 122. 买卖股票的最佳时机 II

给定一个数组 prices ，其中 prices[i] 是一支给定股票第 i 天的价格。

设计一个算法来计算所能获取的最大利润。可以尽可能地完成更多的交易（多次买卖一支股票）。

注意：不能同时参与多笔交易（必须在再次购买前出售掉之前的股票）。

示例 1:

输入: prices = [7,1,5,3,6,4]
输出: 7
解释: 在第 2 天（股票价格 = 1）的时候买入，在第 3 天（股票价格 = 5）的时候卖出, 这笔交易所能获得利润 = 5-1 = 4 。
     随后，在第 4 天（股票价格 = 3）的时候买入，在第 5 天（股票价格 = 6）的时候卖出, 这笔交易所能获得利润 = 6-3 = 3 。

示例 2:

输入: prices = [1,2,3,4,5]
输出: 4
解释: 在第 1 天（股票价格 = 1）的时候买入，在第 5 天 （股票价格 = 5）的时候卖出, 这笔交易所能获得利润 = 5-1 = 4 。
     注意你不能在第 1 天和第 2 天接连购买股票，之后再将它们卖出。因为这样属于同时参与了多笔交易，你必须在再次购买前出售掉之前的股票。

示例 3:

输入: prices = [7,6,4,3,1]
输出: 0
解释: 在这种情况下, 没有交易完成, 所以最大利润为 0。

提示：

• 1 <= prices.length <= 3 * 10^4
• 0 <= prices[i] <= 10^4

---

 方法一：贪心算法

1、股票买卖策略

• 单独交易： 设今天价格为 p1，明天的价格为 p2。今天买入明天卖出可得的利润为 profit =  p2 - p1（该结果正为收益，负代表亏损）。
• 连续上升交易：设此上升交易的股票价格分别为 p1,p2...pn，则第一天买入第 n 天卖出的利润最大，为 profit = pn - p1。该过程等价于 pn - p1 = (p2-p1) + (p3-p2) + ... + (pn - pn-1)，可以看作第一天买入第二天卖出又买入，即每天都在买卖股票。
• 连续下降交易：该情况不买入卖出，利润最大，即不会有亏损。

2、算法流程

• 遍历整个股票交易日价格列表 prices，所有上升交易日都买卖（赚到所有利润），所有下降交易日都不买卖（永不亏钱）。
  • 设 temp 为第 i-1 日买入、第 i 日卖出的利润，即 temp = prices[i] - prices[i - 1] ；
  • 当该天利润为正0，则将利润加入总利润 profit；当利润为 0 或为负，则跳过；
  • 遍历完成，返回总利润 profit。

3、复杂度分析：

• 时间复杂度： O(n)， 只需遍历一次prices；
• 空间复杂度： O(1)， 变量使用常数额外空间。

class Solution {
    public int maxProfit(int[] prices) {
        // 贪心算法
        int maxprofit = 0;
        for(int i = 1; i < prices.length; i ++){
            int temp = prices[i] - prices[i - 1];
            if(temp > 0){
                maxprofit = maxprofit + temp;
            }
        }

        return maxprofit;
    }
}

---

  方法二：动态规划

        由于「不能同时参与多笔交易」，因此每天交易结束后只可能存在两种情况：手中持有一支股票、手中没有持股 的状态。

        定义状态 dp[i][0] 表示第 i 天交易完后手里没有股票的最大利润，dp[i][1] 表示第 i 天交易完后手中持有一支股票的最大利润（i 从 0 开始）。

        1、考虑 dp[i][0] 的转移方程，如果这一天交易完后手里没有股票，那么可能的转移状态为：前一天已经没有股票，即 dp[i−1][0]，或者前一天结束的时候手中持有一支股票，即 dp[i−1][1]，现在要将其卖出，并获得 prices[i] 的收益。因此为了收益最大化，列出如下的转移方程：
                                dp[i][0]=max{dp[i−1][0], dp[i−1][1]+prices[i]}

        2、考虑 dp[i][1] 的转移方程，那么可能的转移状态为：前一天已经持有一支股票，即 dp[i−1][1]，或者前一天结束时还没有股票，即 dp[i−1][0]，现在要买入当天的股票，并减少 prices[i] 的收益。可以列出如下的转移方程：
                                dp[i][1]=max{dp[i−1][1], dp[i−1][0]−prices[i]} 

        3、对于初始状态，根据状态定义可以知道第 0 天交易结束的时候 dp[0][0]=0，dp[0][1] =− prices[0]。只要从前往后依次计算状态即可。

        4、当全部交易结束后，持有股票的收益一定低于不持有股票的收益，因此这时候 dp[n−1][0] 的收益必然是大于 dp[n−1][1] 的，最后的答案即为 dp[n−1][0]，返回结果。

---

优化空间复杂度

        对上述的过程进行分析，可以发现当前时间的状态只与前一天的状态有关系，因此无需使用空间存储无关状态，将前一天的 未持股 dp[i-1][0]  与 持股 dp[i-1][1] 存放在两个变量中，通过两者计算出当前时间的结果并更新其值，以便继续后续的结果。

---

• 复杂度分析：

  • 时间复杂度：O(n)，其中 n 为数组的长度。一共有 2n 个状态，每次状态转移的时间复杂度为 O(1)，因此时间复杂度为 O(2n)=O(n)。

  • 空间复杂度：O(n)。我们需要开辟 O(n) 空间存储动态规划中的所有状态。如果使用空间优化，空间复杂度可以优化至 O(1)。

class Solution {
    public int maxProfit(int[] prices) {
        // 动态规划算法
        // 存放持股与未持股的利润结果
        int[][] dp = new int [prices.length][2];

        // 初始化第0天 未持股利润0，持股即买入则利润为负
        dp[0][0] = 0;
        dp[0][1] = -prices[0];

        for(int i = 1; i < prices.length; i ++){
            dp[i][0] = Math.max(dp[i-1][0], dp[i-1][1] + prices[i]);
            dp[i][1] = Math.max(dp[i-1][1], dp[i-1][0] - prices[i]);
        }

        return dp[prices.length - 1][0];
    }
}

class Solution {
    public int maxProfit(int[] prices) {
        // 动态规划算法——优化空间复杂度
        // 初始化第0天 未持股利润0，持股即买入则利润为负
        // 不断更新
        int noStockPro = 0;
        int stockPro = -prices[0];

        for(int i = 1; i < prices.length; i ++){
            int tempNoStock = Math.max(noStockPro, stockPro + prices[i]);
            int tempStock = Math.max(stockPro, noStockPro - prices[i]);
            noStockPro = tempNoStock;
            stockPro = tempStock;
        }

        return noStockPro;
    }
}