每日一题【LeetCode689】 三个无重叠子数组的最大和 -动态规划

算法描述

动态规划算法通常用于求解具有某种最优性质的问题。在这类问题中，可能会有许多可 行解。
每一个解都对应于一个值，我们希望找到具有最优值的解。动态规划算法与分治法类似，其基本思想也是将待求解问题分解成若干个子问题，先求解子问题，然后从这些子问题的解得到原问题的解。
与分治法不同的是，适合于用动态规划求解的问题，经分解得到子问题往往不是互相独立的。
若用分治法来解这类问题，则分解得到的子问题数目太多，有些子问题被重复计算了很多次。
如果我们能够保存已解决的子问题的答案，而在需要时再找出已求得的答案，这样就可以避免大量的重复计算，节省时间。我们可以用一个表来记录所有已解的子问题的答案。不管该子问题以后是否被用到，只要它被计算过，就将其结果填入表中。
这就是动态规划法的基本思路。具体的动态规划算法多种多样，但它们具有相同的填表格式。

1：题目描述

给你一个整数数组 nums 和一个整数 k ，找出三个长度为 k 、互不重叠、且 3 * k 项的和最大的子数组，并返回这三个子数组。

以下标的数组形式返回结果，数组中的每一项分别指示每个子数组的起始位置（下标从 0 开始）。如果有多个结果，返回字典序最小的一个。

2：测试案例

 测试案例1：

输入：nums = [1,2,1,2,6,7,5,1], k = 2
输出：[0,3,5]
解释：子数组 [1, 2], [2, 6], [7, 5] 对应的起始下标为 [0, 3, 5]。
也可以取 [2, 1], 但是结果 [1, 3, 5] 在字典序上更大。

 测试案例2：

输入：nums = [1,2,1,2,1,2,1,2,1], k = 2
输出：[0,2,4]

提示：

1 <= nums.length <= 2 * 10^4
1 <= nums[i] < 2^16
1 <= k <= floor(nums.length / 3)

3：解题思路

根据动态规划的性质，理解出DP[i][j]的实际意义，i表示前i个元素，j表示，j个独立且不重叠的最大子数组之和。
由于是连续的数组元素。DP[i][j] 如果【第i个元素到i+k的数组之和+dp[i-k][j-1]】,说明这个区间比上一个选取的区要大。至于最后怎么用当前DP数据进行确定位置呢，首先我们肯定能够想到DP[len][3](len 表示数组的长度) 为一个最大值。三个最大子数组之和，那怎么保证不重叠呢，只需要再算第二个时DP[i-k][2] (通过比较DP[N][j]与DP[N-1][j]是否相等，如果不相等，说明N~(N-K) 就是一个最大数组之和的其中之一)，以此类推，便可求出三个坐标。

4：代码解析

class Solution {
public:
    vector<int> maxSumOfThreeSubarrays(vector<int>& nums, int k) 
    {
        
	 int max_len = nums.size();
	vector<vector<int>> dp(max_len+1,vector<int>(max_len+1,0));
	vector<int> sum(max_len+1,0);
	for (int i = 1; i <= max_len; ++i)
		sum[i] = sum[i-1] + nums[i-1];
	for (int i = k; i <= max_len;++i)
	{
		for (int j = 1; j <= 3;++j) 
		{
			if (i <= j * k - 1) break;
			dp[i][j] = max(dp[i - 1][j],dp[i - k][j - 1] + (sum[i] - sum[i - k]));
		};
	};
	vector<int> res(3,0);
	int N = 3;
	while (N>0)
	{
		if (dp[max_len][N] == dp[max_len - 1][N]) {
			max_len--;
			continue;
		}
		res[--N] = max_len - k;
		max_len -= k;
	}
	return res;
    }
};

5：题目总结

主要对于DP[i][j] 的一个详细意义的表达，需要准确且合适的找出DP的关系。动态规划我还是描述的不是很清楚，后面找个时间把博客进行优化一下。