常见子数组问题 通用解法

---

1. 和积 最值问题

第i位置的答案，一定由第i-1位置的答案发展而来，不用考虑i-2, i-3...

因此用普通dp，可以做到O(n)。

53. 最大子数组和

• 普通DP。因为它向前扩展必连上dp[i-1]，考虑dp[i-2]的话就不是连续子数组了。
• 有一个更优解法判断 sum 是否大于0的，其实就是化简后的普通DP（贪心算法）。

53. 最大子数组和

public class Solution {
    public int maxSubArray(int[] nums) {
        int len = nums.length;
        // dp[i] 表示：以 nums[i] 结尾的连续子数组的最大和
        int[] dp = new int[len];
        dp[0] = nums[0];
        int res=  dp[0];
        for (int i = 1; i < len; i++) {
            if (dp[i - 1] > 0) {
                dp[i] = dp[i - 1] + nums[i];
            } else {
                dp[i] = nums[i];
            }
            res = Math.max(res, dp[i]);
        }
        return res;
    }
}

 152. 乘积最大子数组

• 可普通DP，同上。只不过是状态机DP。

152. 乘积最大子数组

主要是考虑负数的情况，因此每个位置应当记录两种状态，dp[i][1]记录当前位置的最大值，dp[i][0]记录当前位置的最小值。

方法一：DP二维数组，存储当前最大值和最小值

时间O(n)  空间O(n)

public class Solution {
    public int maxProduct(int[] nums) {
        int len = nums.length;
        if (len == 1) {
            return nums[0];
        }
        // 状态定义：以索引 i 结尾
        int[][] dp = new int[len][2];
        dp[0][0] = nums[0];
        dp[0][1] = nums[0];
        int res = nums[0];
        for (int i = 1; i < len; i++) {
            if (nums[i] >= 0) {
                dp[i][1] = Math.max(nums[i], dp[i - 1][1] * nums[i]);
                dp[i][0] = Math.min(nums[i], dp[i - 1][0] * nums[i]);
            } else {
                dp[i][1] = Math.max(nums[i], dp[i - 1][0] * nums[i]);
                dp[i][0] = Math.min(nums[i], dp[i - 1][1] * nums[i]);
            }
            res = Math.max(res, dp[i][1]);
        }
        return res;
    }
}

方法二、DP空间优化版本

nums[i] < 0的时候交换上一轮 imax 和 imin 

时间O(n)  空间O(1)

class Solution {
    public int maxProduct(int[] nums) {
        int imax = nums[0], imin = nums[0], ans = nums[0];
        for(int i = 1; i < nums.length; i++){
            if(nums[i] < 0){  //nums[i] < 0 时，需交换最值
              int tmp = imax;
              imax = imin;
              imin = tmp;
            }
            imax = Math.max(imax*nums[i], nums[i]);
            imin = Math.min(imin*nums[i], nums[i]);
            ans = Math.max(ans, imax);
        }
        return ans;
    }
}

---

2. 和积 定值问题

2.1 同向滑窗

双指针，以右边界为循环重心，每次+1；不满足条件时左边界收缩。
要求：右指针右移 和 左指针右移 效果相反。这样收缩左边界才可以抵消扩张右边界带来的作用。

剑指 Offer II 008. 和大于等于 target 的最短子数组

实用建议：推荐 建立窗口 和 滑动窗口 写在一个循环中。不推荐滑窗先写个循环建立窗口，再写个循环向右滑动。建立窗口循环末尾容易漏掉这种情况：窗口盛满序列时，还需要移动窗口左边缘以达到最优解。

2.2 前缀和 + 哈希

前缀和数组，把子数组和问题转化为两数之差（类似 两数之和）问题。用哈希就欧了。

560. 和为 K 的子数组

• 这个题很多人直接滑窗然后错了。如果数据中没有负数，才能用滑窗。因为全正数的话，右指针右移 和 左指针右移 效果相反：前者使sum增加，后者使sum减小。

0 和 1 个数相同的子数组

为什么不能使用滑窗：

左指针右移 和 右指针右移，并不能保证效果相反。右指针右移，可能导致增加一个0；此时收缩窗口，右移左指针，却不能保证减少一个0或增加一个1。
题解大多数上来就说把0换成-1即可，没有人说怎么想到这个思路。这个思路有没有一个通用的方法能让我们想出来呢？其实也是有的。

2.3 一些思考

DP问题有两种很典型的问题：子数组和子序列。

求子数组时，一般是O(n)，因为我们求dp[i]时，只用考虑dp[i-1]。再往前就没法连续了。
求子序列时，一般是O(n^2)，我们需要考虑所有dp[j] (j<i)。如  300. 最长递增子序列

为什么上面提到了 “同向滑窗” 和 “前缀和 + 哈希”，有办法把O(n^2)降低到O(n)？（前提：题目还是求子数组。。如果是子序列，爱莫能助）

前缀和：

用O(1)综合了前N个数的特征（有状态压缩的思想）。
虽然只是求和，我们不能像真正状态压缩一样保留前n个数的全部数据，相当于只保留了“和”这一部分特征。
但当问题与我们所保留的特征相符时，即可完美从O(N)转化为O(1)。那么，什么类型的问题能这么做呢？那就看上文即可明白，什么时候用同向滑窗，什么时候用前缀和 + 哈希。 这也是本文的目的：追溯思路的起因。怎么做重要，怎么想到这么做更重要。
同向滑窗：

假设右边界为遍历的重心，每次扩大右边界时，检查条件，如果不符，左边界收缩。
右边界不同时，左边界是连续收缩的。这就是滑动窗口从O(N)转化为O(1)的核心。
同理，一些题目中用到反向滑窗（如快速排序，反向双指针比同向更容易理解，且不容易错）。能用反向滑窗的前提条件是：左指针右移 和 右指针左移 效果相反。并且反向滑窗能把O(N)降低为O(1)的核心也是：假设左边界看作循环的重心，那么右边界收缩是连续的，并不用每次都从nums.length-1出发向左一一检查。

学习资料来源于leetcode作者Yilin6，仅用于个人学习，侵权删除