题目链接:最大子序和问题
方法一:动态规划
思路:比较nums[i]和f(i-1)+nums[i]的大小。
列出动态规划转移方程f(i)=max{f(i−1)+nums[i],nums[i]}
class Solution {
public:
int maxSubArray(vector<int>& nums) {
int pre = 0, maxAns = nums[0];
for (const auto &x: nums) {
pre = max(pre + x, x);//用来存储对于当前i的最大f(i-1)
maxAns = max(maxAns, pre);
}
return maxAns;
}
};
此方法时间复杂度为O(n),空间复杂度为O(1)。
方法二:分治
思路:我们定义一个操作 get(a, 1, r) 表示查询 a 序列 [l,r] 区间内的最大子段和,那么最终我们要求的答案就是 get(nums, 0, nums.size() - 1)。如何分治实现这个操作呢?对于一个区间 [l,r],我们取 m=⌊
(l+r)/2 ⌋,对区间 [l,m]和 [m+1,r]分治求解。当递归逐层深入直到区间长度缩小为 1 的时候,递归「开始回升」。这个时候我们考虑如何通过 [l,m] 区间的信息和 [m+1,r] 区间的信息合并成区间 [l,r] 的信息。最关键的两个问题是:
- 我们要维护区间的哪些信息呢?
- 我们如何合并这些信息呢?
对于一个区间 [l,r],我们可以维护四个量:
- lSum 表示 [l,r]内以 l 为左端点的最大子段和
- rSum 表示 [l,r] 内以 r 为右端点的最大子段和
- mSum 表示 [l,r]内的最大子段和
- iSum 表示 [l,r]的区间和
以下简称 [l,m]为 [l,r]的「左子区间」,[m+1,r]为 [l,r] 的「右子区间」。我们考虑如何维护这些量呢(如何通过左右子区间的信息合并得到 [l,r] 的信息)?对于长度为 1 的区间 [i, i],四个量的值都和 nums[i] 相等。对于长度大于 1 的区间: - 首先最好维护的是 iSum,区间 [l,r] 的 ** iSum就等于「左子区间」的iSum 加上「右子区间」的 iSum
- 对于[l,r]的lsum,有两种情况,要么等于「左子区间」的lsum,要么等于「左子区间」的lSum 加上「右子区间」的 lSum,两者取较大值。
- 对于[l,r]的rsum同理
- 当计算好上面的三个量之后,就很好计算 [l,r]的 mSum 了。我们可以考虑 [l,r] 的 mSum 对应的区间是否跨越 m——它可能不跨越 m,也就是说 [l,r] 的 mSum 可能是「左子区间」的 mSum 和 「右子区间」的 mSum 中的一个;它也可能跨越 m,可能是「左子区间」的 rSum 和 「右子区间」的 lSum 求和。三者取大。
class Solution {
public:
struct Status {
int lSum, rSum, mSum, iSum;
};
Status pushUp(Status l, Status r) {
int iSum = l.iSum + r.iSum;
int lSum = max(l.lSum, l.iSum + r.lSum);
int rSum = max(r.rSum, r.iSum + l.rSum);
int mSum = max(max(l.mSum, r.mSum), l.rSum + r.lSum);
return (Status) {lSum, rSum, mSum, iSum};
};
Status get(vector<int> &a, int l, int r) {
if (l == r) {
return (Status) {a[l], a[l], a[l], a[l]};
}
int m = (l + r) >> 1;
Status lSub = get(a, l, m);
Status rSub = get(a, m + 1, r);
return pushUp(lSub, rSub);
}
int maxSubArray(vector<int>& nums) {
return get(nums, 0, nums.size() - 1).mSum;
}
};