单调栈求最大矩形面积——CCF201312-3

问题描述
试题编号：     201312-3
试题名称：     最大的矩形
时间限制：     1.0s
内存限制：     256.0MB
问题描述：     

问题描述

在横轴上放了n个相邻的矩形，每个矩形的宽度是1，而第i（1 ≤ i ≤ n）个矩形的高度是hi。这n个矩形构成了一个直方图。例如，下图中六个矩形的高度就分别是3, 1, 6, 5, 2, 3。

 

请找出能放在给定直方图里面积最大的矩形，它的边要与坐标轴平行。对于上面给出的例子，最大矩形如下图所示的阴影部分，面积是10。

输入格式

第一行包含一个整数n，即矩形的数量(1 ≤ n ≤ 1000)。
第二行包含n 个整数h1, h2, … , hn，相邻的数之间由空格分隔。(1 ≤ hi ≤ 10000)。hi是第i个矩形的高度。

输出格式

输出一行，包含一个整数，即给定直方图内的最大矩形的面积。

样例输入

6
3 1 6 5 2 3

样例输出

10
————————————————
参考代码：

/* CCF201312-3 最大的矩形 */
 
#include <iostream>
#include <stack>
 
using namespace std;
 
const int N = 1000;
int h[N+1];
 
int main()
{
    int n, ans=0, area, temp;
 
    // 输入数据
    cin >> n;
    for(int i=0; i<n; i++)
        cin >> h[i];
    h[n] = 0;
 
    // 计算最大矩形面积
    stack<int> s;
    for(int i=0; i<=n; i++) {
        if (s.empty() || h[s.top()] < h[i])
            s.push(i);
        else {
            temp = s.top();
            s.pop();            //弹出
            area = h[temp] * (s.empty() ? i : i - s.top() - 1);
            if (area > ans)
                ans = area;
            --i;
        }
    }
 
    // 输出结果
    cout << ans << endl;
 
    return 0;
}

参考链接：https://blog.csdn.net/tigerisland45/article/details/54834094

算法思想：单调栈

首先如果是一个单调递增的一串矩阵，我们如何考虑最大矩阵：

从右往左算：先是最右边矩阵高度乘1得到第一个最大矩阵，然后右边第二个高度乘以2又得第二个结果，将其与上一最大矩阵比较，取最大值，然后依次向前回溯计算，最后得到最大矩阵。

这就是单调栈求最大矩阵的核心思想；

倘若前n-1个矩阵都是单调递增矩阵，第n个矩阵高度小于前n-1个矩阵中的某一个矩阵或某几个矩阵（这里假设是从第x个开始到n-1都比n高），那么矩阵n若是和之前矩阵结合的大矩阵是目前为止的 最大矩阵，那么在x到n之间的若干个矩阵比n高的部分相当于无用，所以：从x到n之间的所有矩阵都可以换成n-x+1个高度为H[n]（H[n]为第n个矩阵的高度）的小矩阵，那么所得到的即为一个单调递增的矩阵序列了。

方法：我们建立一个栈，用来保存若干个矩形，这些矩形的高度是单调递增的。我们从左到右依次扫描每一个矩形：

如果当前矩形比栈顶矩形高，直接进栈。

否则不断取出栈顶，直至栈为空或者栈顶矩形的高度比当前矩形小。在出栈过程中，我们累计被弹出的矩形的宽度之和，并且每弹出一个矩形，就用它的高度乘上累积的宽度更新答案。整个出栈过程结束后，我们把高度作为当前矩形的高度、宽度为累计值的新矩形入栈。

整个扫描结束后，我们把栈中剩余的矩形依次弹出，按照与上面相同的办法更新答案。为了简化程序实现，也可以增加一个高度为 0 的矩形 a [n+1] ,以避免在扫描结束后栈中有剩余矩形。

参考链接：https://blog.csdn.net/XxxxxM1/article/details/81324228?depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-3&utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-3