easy 买卖股票的最佳时机 动态规划

---

会超时的暴力法：

假设在第 i 天 买入 ，记录在第 i+1 天，一直到交易日结束时，卖出的价格，选出最高价。

class Solution {
public:
    int maxProfit(vector<int>& prices) {
        int ans = 0;
        int n = prices.size();
        for(int i=0; i<n; i++){
            for(int j=i+1; j<n; j++){
                ans = max(ans, prices[j] - prices[i]);
            }
        }
        return ans;
    }
};

这里 N 是股价数组的长度

---

一次遍历：

假设在第 i 天 卖出 股票，记录第 i 天以前股票市场的最低价，假设在最低价时买入。即知道第 i 天卖出的最大利润是多少

c++

class Solution {
public:
    int maxProfit(vector<int>& prices) {

        int minprice = prices[0];  // c++ 定义正无穷 1e9 = 10^9 
        int maxProfit = 0;
        for (auto price : prices){  // c++ 遍历 vector 元素
            maxProfit = max(price - minprice, maxProfit);
            minprice = min(minprice, price);
        }
        return maxProfit;
        
    }
};

python

class Solution:
    def maxProfit(self, prices: List[int]) -> int:
        minprice = prices[0]
        maxProfit = 0

        for i in prices:
            maxProfit = max(maxProfit, i-minprice)  # 减去当日之前的最低价
            minprice = min(i, minprice)

        return maxProfit

---

动态规划：

动态规划的精髓：每一步只需要判断：选 or 不选。

c++

dp[i]=max(dp[i−1],prices[i]−minprice)  // dp[i] 表示前 i 天的最大利润

class Solution {
public:
    int maxProfit(vector<int>& prices) {
    int n = prices.size();
    if(n==0){
        return 0;
    }
    int minprice = prices[0];  // 从第一个开始遍历
    vector<int> dp(n,0);    // 初始化利润vector，长度为5，初始值均为0

    for(int i=1; i<n; i++){  // 假设在第1天之后卖出
        minprice = min(minprice, prices[i]);  // 记录遍历过的最低买入价
        dp[i] = max(dp[i-1], prices[i] - minprice);
    }

    return dp[n-1];  // dp[i] 记录当前时刻卖出，最大利润
    }
};

python

class Solution:
    def maxProfit(self, prices: List[int]) -> int:
        n = len(prices)
        if n==0:
            return 0

        dp = [0 for _ in range(n)]   # 创建利润列表
        minprice = prices[0]  # 初始化当天以前最低价

        for i in range(1,n):
            dp[i] = max(dp[i-1], prices[i]-minprice)
            minprice = min(minprice, prices[i])

        return dp[n-1]

---