【解析】
(源自leetcode题解)
连续子数组的最大和问题,用到动态规划方法:
状态定义:
设动态规划列表 dp ,dp[i]代表以元素 nums[i]为结尾的连续子数组最大和。
转移方程: (维护nums每个位置的dp)
若dp[i-1] ≤0 ,说明 dp[i - 1]对 dp[i]产生负贡献,即 dp[i-1] + nums[i]还不如 nums[i] 本身大,此时的dp[i]要和前面的dp[i-1]脱离关系,重新开始计算了,此时的dp[i]即为当前的nums[i]。
- 当 dp[i - 1] > 0时:执行 dp[i] = dp[i-1] + nums[i];
- 当 dp[i - 1] ≤0 时:执行 dp[i] = nums[i];
初始状态:
dp[0] = nums[0],即以 nums[0]结尾的连续子数组最大和为 nums[0] 。
返回值: (每次都要将当前的dp和max比较,维护最大值,即为最大的子数组的和)
返回 dp 列表中的最大值,代表全局最大值。
时间复杂度 O(N): 线性遍历数组 numsnums 即可获得结果,使用 O(N)时间。
空间复杂度 O(1):> 使用常数大小的额外空间。
注:空间复杂度降低:
由于 dp[i]只与 dp[i-1]和 nums[i] 有关系,因此可以将原数组 nums 用作 dp 列表,即直接在 nums 上修改即可。
由于省去 dp列表使用的额外空间,因此空间复杂度从 O(N)降至 O(1) 。
class Solution {
public int maxSubArray(int[] nums) {
int res = nums[0];
for(int i = 1; i < nums.length; i++) {
nums[i] += Math.max(nums[i - 1], 0);
res = Math.max(res, nums[i]);
}
return res;
}
}
自己的代码
class Solution {
public int maxSubArray(int[] nums) {
int len = nums.length;
int[] dp = new int[len];
dp[0] = nums[0];
int max = dp[0];
for(int i=1; i<len; i++){ //计算每一位置的dp
if(dp[i-1] > 0){ //如果前面的dp大于0,更新当前位置的dp
dp[i] = dp[i-1] + nums[i];
}else{ //否则当前的dp就要重新计算,即为当前的nums[i]
dp[i] = nums[i];
}
max = Math.max(dp[i], max); //维护最大值,每次都要看当前的dp有没有新高
}
return max;
}
}