问题来源:leetcode 188。
买卖股票的最佳时机 Ⅳ
给定一个整数数组 prices
,它的第 i
个元素 prices[i]
是一支给定的股票在第 i
天的价格。
设计一个算法来计算你所能获取的最大利润。你最多可以完成 k
笔交易。
注意:你不能同时参与多笔交易(你必须在再次购买前出售掉之前的股票)。
示例 1:
输入:k = 2, prices = [2,4,1]
输出:2
解释:在第 1 天 (股票价格 = 2) 的时候买入,在第 2 天 (股票价格 = 4) 的时候卖出,这笔交易所能获得利润 = 4-2 = 2 。
示例 2:
输入:k = 2, prices = [3,2,6,5,0,3]
输出:7
解释:在第 2 天 (股票价格 = 2) 的时候买入,在第 3 天 (股票价格 = 6) 的时候卖出, 这笔交易所能获得利润 = 6-2 = 4 。
随后,在第 5 天 (股票价格 = 0) 的时候买入,在第 6 天 (股票价格 = 3) 的时候卖出, 这笔交易所能获得利润 = 3-0 = 3 。
提示:
0 <= k <= 10^9
0 <= prices.length <= 1000
0 <= prices[i] <= 1000
动态规划
优化子结构:设
d
p
[
i
]
[
j
]
[
0
]
dp[i][j][0]
dp[i][j][0] 表示第
i
i
i 天结束时,恰好参与了
j
j
j 笔交易,且手里没有股票的最大利润;设
d
p
[
i
]
[
j
]
[
1
]
dp[i][j][1]
dp[i][j][1] 表示第
i
i
i 天结束时,恰好参与了
j
j
j 笔交易,且手中持有股票的最大利润。规定买入股票就算是一次交易的开始,卖出股票时交易次数不会再增加。
首先分析原问题的最优解
d
p
[
i
]
[
j
]
[
0
]
dp[i][j][0]
dp[i][j][0] 是如何包含子问题的最优解的,或者说
d
p
[
i
]
[
j
]
[
0
]
dp[i][j][0]
dp[i][j][0] 是如何用子问题的最优解来构造的:
- 如果前一天手中没有股票(子问题一),那么 d p [ i ] [ j ] [ 0 ] dp[i][j][0] dp[i][j][0] 便是该子问题 “第 i − 1 i-1 i−1 天结束,恰好参与了 j j j 笔交易,且手中没有股票” 的最优解,即 d p [ i ] [ j ] [ 0 ] = d p [ i − 1 ] [ j ] [ 0 ] dp[i][j][0]=dp[i-1][j][0] dp[i][j][0]=dp[i−1][j][0],也就是说只需要求解子问题 d p [ i − 1 ] [ j ] [ 0 ] dp[i-1][j][0] dp[i−1][j][0]。可以通过反证法来证明:假设 d p [ i − 1 ] [ j ] [ 0 ] dp[i-1][j][0] dp[i−1][j][0] 不是其自身子问题的最优解,而是存在一个更优的解 d p ′ [ i − 1 ] [ j ] [ 0 ] dp^{'}[i-1][j][0] dp′[i−1][j][0],那么由于第 i − 1 i-1 i−1 天没有股票,第 i i i 天也没有股票,那么第 i i i 天肯定没有进行股票买卖,所以会产生原问题的一个更优的解 d p ′ [ i − 1 ] [ j ] [ 0 ] dp^{'}[i-1][j][0] dp′[i−1][j][0],与 d p [ i ] [ j ] [ 0 ] = d p [ i − 1 ] [ j ] [ 0 ] dp[i][j][0]=dp[i-1][j][0] dp[i][j][0]=dp[i−1][j][0] 是原问题的最优解矛盾。所以在前一天也没有股票的情况话,可以直接由子问题的最优解来构造原问题的最优解。
- 如果前一天手中持有股票(子问题二),那么 d p [ i ] [ j ] [ 0 ] − p r i c e s [ i ] dp[i][j][0]-prices[i] dp[i][j][0]−prices[i] 便是该子问题 “第 i − 1 i-1 i−1 天结束,恰好参与了 j j j 次交易,且手中持有股票” 的最优解,也就是说只需要求解子问题。同样可以通过反证法来证明,略。
接下来分析 d p [ i ] [ j ] [ 1 ] dp[i][j][1] dp[i][j][1] 是如何包含子问题的最优解的:
- 如果前一天手中持有股票(子问题一),那么 d p [ i ] [ j ] [ 1 ] dp[i][j][1] dp[i][j][1] 便是该子问题的最优解,即 d p [ i ] [ j ] [ 1 ] = d p [ i − 1 ] [ j ] [ 1 ] dp[i][j][1]=dp[i-1][j][1] dp[i][j][1]=dp[i−1][j][1],即只需要求解子问题 d p [ i − 1 ] [ j ] [ 1 ] dp[i-1][j][1] dp[i−1][j][1]。
- 如果前一天手中没有股票(子问题二),那么 d p [ i ] [ j ] [ 1 ] + p r i c e s [ i ] dp[i][j][1] + prices[i] dp[i][j][1]+prices[i] 表示该子问题的最优解,即 d p [ i ] [ j ] [ 1 ] = d p [ i − 1 ] [ j ] [ 0 ] − p r i c e s [ i ] dp[i][j][1]=dp[i-1][j][0]-prices[i] dp[i][j][1]=dp[i−1][j][0]−prices[i],只需要求解子问题 d p [ i − 1 ] [ j ] [ 0 ] dp[i-1][j][0] dp[i−1][j][0]。
以上分析说明该问题具有优化子结构,
重叠子问题:举例说明,计算 d p [ i ] [ j ] [ 0 ] dp[i][j][0] dp[i][j][0] 和 d p [ i ] [ j ] [ 1 ] dp[i][j][1] dp[i][j][1] 时,都需要用到子问题 d p [ i − 1 ] [ j ] [ 1 ] dp[i-1][j][1] dp[i−1][j][1] 的解,即存在重叠子问题。
递归地定义最优解的值:初始化
d
p
dp
dp 数组的大小为
n
∗
(
k
+
1
)
∗
2
n*(k+1)*2
n∗(k+1)∗2,初始化
d
p
[
0
]
[
j
]
[
0
]
=
0
dp[0][j][0]=0
dp[0][j][0]=0,
d
p
[
0
]
[
j
]
[
1
]
=
−
p
r
i
c
e
s
[
0
]
dp[0][j][1]=-prices[0]
dp[0][j][1]=−prices[0],当
i
>
1
i>1
i>1 时,对于
j
j
j 的每个取值:
d
p
[
i
]
[
j
]
[
0
]
=
{
0
j
=
0
∣
∣
i
=
0
m
a
x
(
d
p
[
i
−
1
]
[
j
]
[
0
]
,
d
p
[
i
−
1
]
[
j
]
[
1
]
+
p
r
i
c
e
s
[
i
]
)
i
>
0
,
j
>
0
dp[i][j][0]=\left\{\begin{array}{cc} 0 & j=0\ ||\ i=0\\ max(dp[i-1][j][0],\ dp[i-1][j][1] + prices[i]) & i>0,\ j>0 \end{array}\right.
dp[i][j][0]={0max(dp[i−1][j][0], dp[i−1][j][1]+prices[i])j=0 ∣∣ i=0i>0, j>0
d
p
[
i
]
[
j
]
[
1
]
=
{
0
j
=
0
−
p
r
i
c
e
s
[
0
]
i
=
0
m
a
x
(
d
p
[
i
−
1
]
[
j
]
[
1
]
,
d
p
[
i
−
1
]
[
j
−
1
]
[
0
]
−
p
r
i
c
e
s
[
i
]
)
i
>
0
,
j
>
0
dp[i][j][1]=\left\{\begin{array}{cc} 0 & j=0\\ -prices[0] & i =0 \\ max(dp[i-1][j][1],\ dp[i-1][j-1][0] - prices[i]) & i>0,\ j>0 \end{array}\right.
dp[i][j][1]=⎩⎨⎧0−prices[0]max(dp[i−1][j][1], dp[i−1][j−1][0]−prices[i])j=0i=0i>0, j>0
注意可以同一天同时买入并卖出,这样就算一笔交易,但是收益为 0,所以在第一天时(
i
=
0
i=0
i=0),无论
j
j
j 取多少,我们都可以完成这么多次交易,
d
p
[
0
]
[
j
]
[
0
]
=
0
dp[0][j][0]=0
dp[0][j][0]=0;也可以前
j
−
1
j-1
j−1 次买入并同时卖出,第
j
j
j 次买入不卖出,这样就是
d
p
[
0
]
[
j
]
[
1
]
=
−
p
r
i
c
e
s
[
0
]
dp[0][j][1]=-prices[0]
dp[0][j][1]=−prices[0]。
自底向上地计算最优解的值:从前向后遍历 p r i c e s prices prices 数组,对于该数组的每一个位置,为每个可能的交易次数填充此时手中是否持有股票的最大利润,这样在计算每一个 d p [ i ] [ j ] [ k ] dp[i][j][k] dp[i][j][k] 时,都可以保证其相关的子问题都已经被计算过且保存在数组中了。
class Solution {
public:
int maxProfit(int k, vector<int>& prices) {
int n = prices.size();
if(k == 0 || n < 2) {
return 0;
}
vector<vector<vector<int>>> dp(n, vector<vector<int>>(k+1, vector<int>(2)));
for(int j=1; j<=k; j++) {
dp[0][j][1] = -prices[0];
}
for(int i=1; i<n; i++) {
for(int j=1; j<=k; j++) {
dp[i][j][0] = max(dp[i-1][j][0], dp[i-1][j][1] + prices[i]);
dp[i][j][1] = max(dp[i-1][j][1], dp[i-1][j-1][0] - prices[i]);
}
}
return dp[n-1][k][0];
}
};
做空间优化:注意到每个
d
p
[
i
]
[
.
.
.
]
[
.
.
.
]
dp[i][...][...]
dp[i][...][...] 仅与
d
p
[
i
−
1
]
[
.
.
.
]
[
.
.
.
]
dp[i-1][...][...]
dp[i−1][...][...] 相关,所以可以仅维护一个二维数组,而不再是维护三维数组。
关于这里
j
j
j 是正序还是倒序,可以参考。
class Solution {
public:
int maxProfit(int k, vector<int>& prices) {
int n = prices.size();
if(k == 0 || n < 2) {
return 0;
}
vector<vector<int>> dp(k+1, vector<int>(2));
for(int j=1; j<=k; j++) {
dp[j][1] = -prices[0];
}
for(int i=1; i<n; i++) {
for(int j=1; j<=k; j++) {
dp[j][0] = max(dp[j][0], dp[j][1] + prices[i]);
dp[j][1] = max(dp[j][1], dp[j-1][0] - prices[i]);
}
}
return dp[k][0];
}
};