动态规划——最大连续子序列和

动态规划之——最大连续子序列和(C++实现)

最大连续子序列和，或称为“连续子序列的和的最大值”,是一种动态规划问题，下面来看问题描述

给定一个长度为n数字序列A1, A2, A3······An, 现要求求出一组（i，j），使得：Ai + ······ + Aj 的和最大，输出这个最大和

测试用样例见下

输入：

6
1 -3 5 8 -100 52
4
-2 85 -15 62
5
1 2 -5 6 -9 1

输出：

52
132
6

接下来开始讲解

用双重循环暴力枚举 i，j 靠谱吗？枚举（i，j）需要 O(n²) 的复杂度，计算 Ai + ······ + Aj 需要 O(n) 的复杂度，乘起来是立方阶 O(n³), 令人难以接受

暴力枚举 ，pass ！

接下来考虑动态规划的做法，开一个dp数组，以dp[i]来表示以A[i]结尾的最大子序列和（注意是强制以A[i]结尾），那么答案显然就是max(dp[1], dp[2], ······ ,dp[n])了,可是能一目了然的看出来的貌似只有dp[1],它的值显然等于A[1]，其他的又该怎么办呢？

在动态规划题目中，能用眼睛看出答案的部分往往是这个问题的边界 ，是状态转移方程的起点，这也是动态规划的妙处所在：以边界处渺小的信息量，通过状态转移方程，逐步推出整个问题的解

一旦确定了状态转移方程和边界，距离AC这道题目就不远了！

而状态转移方程是动态规划问题的绝对核心，类型繁多，甚至往往需要就题论题，掌握它可以说是任重而道远（博主在写这篇博文时也在全身心投入动态规划的学习）

然而本题的状态方程并不复杂，对于dp[i] (i >= 2) 来说，dp[i - 1]的正负直接决定了dp[i]的取值，若dp[i - 1]为正，那么dp[i]就等于A[i]本身加上dp[i - 1],若dp[i - 1]为负，那么dp[i]就等于A[i]本身

更简单的来说，dp[i] = max{ dp[i - 1] + A[i], A[i] }

有了边界和状态转移方程,接下来,上代码！