动态规划--股票系列(一):买卖股票的最佳时机

本模板适用于解决买卖次数k确定的情况

可解决力扣188、121、123题

188. 买卖股票的最佳时机 IV

在这里插入图片描述

思路:2 * k + 1个状态

这题是123. 买卖股票的最佳时机 III的进阶版。那么来分析一下,买卖k次每天的状态。如下:

  • 0–不操作
  • 1–第一次买入
  • 2–第一次卖出
  • 3–第二次买入
  • 4–第二次卖出
  • 2(k-1)-1=2*k-3----第k-1 次买入
  • 2(k-1)=2*k-2----第k-1 次卖出
  • 2*k-1----第k 次买入
  • 2*k----第k 次卖出

可以发现,当奇数的时候为买入,偶数的时候为卖出

状态定义:dp[i][j],i表示第i天,j表示第i天的状态,j∈[0, 2k]

递推过程:

1.dp[i][1]表示第i天第一次买入的状态,有两种情况

  • 不操作,那么跟前一天一样,即dp[i][1]=dp[i - 1][1]
  • 买入,那么会在前一天上一个状态下,即0–没有操作,花费,即dp[i][1]=dp[i - 1][0] - prices[i]

2.dp[i][2]表示第i天第一次卖出的状态,有两种情况

  • 不操作,那么跟前一天一样,即dp[i][2]=dp[i - 1][2]
  • 卖出,那么在前一天的上一个状态,即1–第一次买入,赚钱,即dp[i][2]=dp[i - 1][1] + prices[i]

那么其他同理,j∈[0, 2k - 2],从0开始跳,每次跳1、2个的位置。这里要注意的是j的右边界,因为j只需要最后能够跳到最终位置前第2个就行,理解这个很关键!
在这里插入图片描述

则总结出以下递推方程:

  • 为奇数,买入: dp[i][j + 1] = max(dp[i - 1][j + 1], dp[i - 1][j] - prices[i]);
  • 为偶数,卖出:dp[i][j + 2] = max(dp[i - 1][j + 2], dp[i - 1][j + 1] + prices[i]);

初始化:

  • 这里收集最大利润,但是股票不买不卖,最小的利润也是0,所以不会产生为负数的利润,将卖出初始化为0就可以!

  • 只要买入(奇数),就需要减去prices[0]。

  • j从1开始,到最大下标的前一个2 * k - 1,代码如下:

  • for(int j = 1; j <= 2 * k - 1; j += 2){
              dp[0][j] = -prices[0];
          }
    

整体代码如下:

class Solution {
public:
    int maxProfit(int k, vector<int>& prices) {
        if(prices.size() == 0) return 0;
        vector<vector<int>> dp(prices.size(), vector<int>(2 * k + 1, 0));
        // 奇数:买入;偶数:卖出
        // 初始化:只要是买入,都是要减去的
        for(int j = 1; j <= 2 * k - 1; j += 2){
            dp[0][j] = -prices[0];
        }
        for(int i = 1; i < prices.size(); i++){ // 遍历每天价格
            for(int j = 0; j <= 2 * k - 2; j += 2){ // 遍历每个状态
                dp[i][j + 1] = max(dp[i - 1][j + 1], dp[i - 1][j] - prices[i]);//买入
                dp[i][j + 2] = max(dp[i - 1][j + 2], dp[i - 1][j + 1] + prices[i]); // 卖出
            }
        }
        return dp[prices.size() - 1][2 * k];
    }
};

那么这里是不是可以总结一个模板,即无论你买卖几次(k值需要确定值),我都可以用这个模板来解?
比如,121. 买卖股票的最佳时机,只买卖一次,即k=1,代码如下:

class Solution {
public:
    int maxProfit(vector<int>& prices) {
        return maxProfitCommon(1, prices);
    }
private:
     int maxProfitCommon(int k, vector<int>& prices) {
        if(prices.size() == 0) return 0;
        vector<vector<int>> dp(prices.size(), vector<int>(2 * k + 1, 0));
        // 奇数:买入;偶数:卖出
        // 初始化:只要是买入,都是要减去的
        for(int j = 1; j <= 2 * k - 1; j += 2){
            dp[0][j] = -prices[0];
        }
        for(int i = 1; i < prices.size(); i++){ // 遍历每天价格
            for(int j = 0; j <= 2 * k - 2; j += 2){ // 遍历每个状态
                dp[i][j + 1] = max(dp[i - 1][j + 1], dp[i - 1][j] - prices[i]);//买入
                dp[i][j + 2] = max(dp[i - 1][j + 2], dp[i - 1][j + 1] + prices[i]); // 卖出
            }
        }
        return dp[prices.size() - 1][2 * k];
    }
};

比如,123. 买卖股票的最佳时机 III,最多买卖2次,即k=2代码只需要改动的仅仅是k的值!

class Solution {
public:
    int maxProfit(vector<int>& prices) {
        return maxProfitCommon(2, prices);
    }
private:
     int maxProfitCommon(int k, vector<int>& prices) {
        if(prices.size() == 0) return 0;
        vector<vector<int>> dp(prices.size(), vector<int>(2 * k + 1, 0));
        // 奇数:买入;偶数:卖出
        // 初始化:只要是买入,都是要减去的
        for(int j = 1; j <= 2 * k - 1; j += 2){
            dp[0][j] = -prices[0];
        }
        for(int i = 1; i < prices.size(); i++){ // 遍历每天价格
            for(int j = 0; j <= 2 * k - 2; j += 2){ // 遍历每个状态
                dp[i][j + 1] = max(dp[i - 1][j + 1], dp[i - 1][j] - prices[i]);//买入
                dp[i][j + 2] = max(dp[i - 1][j + 2], dp[i - 1][j + 1] + prices[i]); // 卖出
            }
        }
        return dp[prices.size() - 1][2 * k];
    }
};

参考资料:公众号代码随想录

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 2
    评论
在信号处理领域,DOA(Direction of Arrival)估计是一项关键技术,主要用于确定多个信号源到达接收阵列的方向。本文将详细探讨三种ESPRIT(Estimation of Signal Parameters via Rotational Invariance Techniques)算法在DOA估计中的实现,以及它们在MATLAB环境中的具体应用。 ESPRIT算法是由Paul Kailath等人于1986年提出的,其核心思想是利用阵列数据的旋转不变性来估计信号源的角度。这种算法相比传统的 MUSIC(Multiple Signal Classification)算法具有较低的计算复杂度,且无需进行特征值分解,因此在实际应用中颇具优势。 1. 普通ESPRIT算法 普通ESPRIT算法分为两个主要步骤:构造等效旋转不变系统和估计角度。通过空间平移(如延时)构建两个子阵列,使得它们之间的关系具有旋转不变性。然后,通过对子阵列数据进行最小二乘拟合,可以得到信号源的角频率估计,进一步转换为DOA估计。 2. 常规ESPRIT算法实现 在描述中提到的`common_esprit_method1.m`和`common_esprit_method2.m`是两种不同的普通ESPRIT算法实现。它们可能在实现细节上略有差异,比如选择子阵列的方式、参数估计的策略等。MATLAB代码通常会包含预处理步骤(如数据归一化)、子阵列构造、旋转不变性矩阵的建立、最小二乘估计等部分。通过运行这两个文件,可以比较它们在估计精度和计算效率上的异同。 3. TLS_ESPRIT算法 TLS(Total Least Squares)ESPRIT是对普通ESPRIT的优化,它考虑了数据噪声的影响,提高了估计的稳健性。在TLS_ESPRIT算法中,不假设数据噪声是高斯白噪声,而是采用总最小二乘准则来拟合数据。这使得算法在噪声环境下表现更优。`TLS_esprit.m`文件应该包含了TLS_ESPRIT算法的完整实现,包括TLS估计的步骤和旋转不变性矩阵的改进处理。 在实际应用中,选择合适的ESPRIT变体取决于系统条件,例如噪声水平、信号质量以及计算资源。通过MATLAB实现,研究者和工程师可以方便地比较不同算法的效果,并根据需要进行调整和优化。同时,这些代码也为教学和学习DOA估计提供了一个直观的平台,有助于深入理解ESPRIT算法的工作原理。
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Jasscical

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值