最大子序列和(分治法、动态规划法实现)

package algorithm;
// 最大子序列和
/*
* 给定一个整数序列,返回该序列中和最大的连续子序列;
* 思路:
* 方法一:动态规划:
* 从第一个元素开始,往后求和,并保存当前求到的最大和,
*   当目前和大于0的时候说明之前的子序列对后边的序列有增益效果,则继续往后求和;
*   当目前和小于1的时候说明之前的子序列对后边的序列没有增益效果,则从当前元素开始继续求和——将当前和更新为当前值
*   每次求和之后更新最大值
* 方法二:分治法:
* 每次将序列分为左右大致相等的两个子序列,则最大子序列有三种情况:
*   1、最大子序列存在右子序列中
*   2、最大子序列存在于左子序列中;
*   3、最大子序列存在于跨越中间元素的连续序列中
* 对左右子序列进行递归求和即可,关键是中间序列的求和:
*   分别从中间开始,向左右两边求和,直至左右边界,然后返回max(lSum,rSum,lSum+rSum);
* 最后返回max(rSubArray,lSubArray,rSubarray+lSubArray)即可;
*/

//测试
public class maxSubArray {
    public static void main(String[]args){
        int nums[]={-2,1,-3,4,1,2,1,-5,4};
        System.out.println(dp.maxSubArrayDp(nums));
        System.out.println(dc.maxSubArray(nums,0,nums.length-1));
    }
}
//dp
class dp{
   public static int maxSubArrayDp(int []nums){
        int res=nums[0];
        int sum=0;
        for(int num:nums){
            if(sum>0)sum+=num;
            else sum=num;
            res=Math.max(res,sum);
        }
        return res;
    }
}

//分治
class dc{
    //中间子序列求和
    static int maxSubArrayCrossMid(int []nums,int l,int r){

        if(l==r)return nums[r];
        int index=(r+l)/2;
        int lres=nums[index];
        int rres=lres;
        int lSum=0;
        int rSum=lSum;
        //左半边
        while(index>=l){
            lSum+=nums[index];
            index--;
            lres=Math.max(lres,lSum);
        }index=(r+l)/2;
        //右半边
        while(index<=r){
            rSum+=nums[index];
            index++;
            rres=Math.max(rres,rSum);
        }
        //这里注意rres+lres会将中间元素多加一次,需要减去
        return Math.max(rres+lres-nums[(r+l)/2],Math.max(rres,lres));
    }
    public static int maxSubArray(int[] nums,int l,int r) {
        if (l == r) return nums[r];
        return Math.max(maxSubArrayCrossMid(nums, l, r),Math.max(maxSubArray(nums, l, (l + r) / 2),maxSubArray(nums, (r+l)/2+1,r)));
        //int midSum = maxSubArrayCrossMid(nums, l, r);
        //int lsum = maxSubArray(nums, l, (l + r) / 2);
        //int rsum = maxSubArray(nums, (r + l) / 2 + 1, r);
        //return(Math.max(Math.max(lsum,rsum),midSum));
    }
}

运行结果:

  • 1
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
最大连续子序列和问题是指在一个序列中,找到一个连续的子序列,使得它们的和最大。这个问题可以使用分治法动态规划算法来解决。 1. 分治法 使用分治法求解最大连续子序列和问题的思路是:将原序列分成两个部分,最大子序列可能存在于左半部分、右半部分或跨越左右两个部分。分别计算这三种情况下的最大子序列和,然后取最大值即可。 下面是使用分治法求解最大连续子序列和问题的Python代码示例: ```python def max_subarray(nums: List[int]) -> int: return _max_subarray(nums, 0, len(nums) - 1) def _max_subarray(nums: List[int], left: int, right: int) -> int: if left == right: return nums[left] mid = (left + right) // 2 left_max = _max_subarray(nums, left, mid) right_max = _max_subarray(nums, mid + 1, right) # 计算跨越左右两个部分的最大子序列和 cross_max = nums[mid] left_cross_max = nums[mid] for i in range(mid - 1, left - 1, -1): left_cross_max += nums[i] cross_max = max(cross_max, left_cross_max) right_cross_max = nums[mid + 1] for i in range(mid + 2, right + 1): right_cross_max += nums[i] cross_max = max(cross_max, right_cross_max) return max(left_max, right_max, cross_max) ``` 在上面的代码中,我们使用递归的方式将原序列分成两个部分,然后计算跨越左右两个部分的最大子序列和、左半部分的最大子序列和、右半部分的最大子序列和,取三者中的最大值作为整个序列的最大子序列和。 2. 动态规划 使用动态规划算法求解最大连续子序列和问题的思路是:从头开始遍历序列,对于每一个位置i,计算以i结尾的最大子序列和,然后取所有的最大子序列和的最大值作为问题的解。 具体来说,我们定义一个数组dp,其中dp[i]表示以i结尾的最大子序列和。对于dp[i]来说,它的值可以由dp[i-1]和nums[i]计算得到,即dp[i] = max(dp[i-1] + nums[i], nums[i])。 下面是使用动态规划算法求解最大连续子序列和问题的Python代码示例: ```python def max_subarray(nums: List[int]) -> int: dp = [0] * len(nums) dp[0] = nums[0] max_sum = nums[0] for i in range(1, len(nums)): dp[i] = max(dp[i-1] + nums[i], nums[i]) max_sum = max(max_sum, dp[i]) return max_sum ``` 在上面的代码中,我们使用一个循环遍历整个序列,计算以每一个位置为结尾的最大子序列和,并且更新全局最大值。 希望这个回答能够帮到您!
评论 1
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
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