LeetCode53 最大子序和

LeetCode53 最大子序和

题目

给定一个整数数组 nums ，找到一个具有最大和的连续子数组（子数组最少包含一个元素），返回其最大和。

示例:

输入: [-2,1,-3,4,-1,2,1,-5,4],
输出: 6
解释: 连续子数组 [4,-1,2,1] 的和最大，为 6。
进阶:

如果你已经实现复杂度为 O(n) 的解法，尝试使用更为精妙的分治法求解。

来源：力扣（LeetCode）
链接：https://leetcode-cn.com/problems/maximum-subarray
著作权归领扣网络所有。商业转载请联系官方授权，非商业转载请注明出处。

分析

做这题是因为当时算法课讲到动态规划，所以先做做动态规划的简单题。这题容易理解，但是我一直没太懂哪里用到了动态规划。动态规划不是先求解小问题，然后大问题利用小问题求得的解来继续运算。直到求得问题的解

代码

class Solution {
public:
    int maxSubArray(vector<int>& nums) {
        int sum=0;
        int ans=nums[0];
        for(int i=0;i<nums.size();i++){
            if(sum>0){
                sum+=nums[i];
            }else{
                sum=nums[i];
            }
            ans=ans>sum?ans:sum;
        }
        return ans;
    }
};

再查询别人的题解之后，摘取了一段别人的解释，还不错：

解题思路：
示例: [a, b , c, d , e]
解答这类题目, 省略不掉遍历, 因此我们先从遍历方式说起
通常我们遍历子串或者子序列有三种遍历方式
以某个节点为开头的所有子序列: 如 [a]，[a, b]，[ a, b, c] … 再从以 b 为开头的子序列开始遍历 [b] [b, c]。
根据子序列的长度为标杆，如先遍历出子序列长度为 1 的子序列，在遍历出长度为 2 的 等等。
以子序列的结束节点为基准，先遍历出以某个节点为结束的所有子序列，因为每个节点都可能会是子序列的结束节点，因此要遍历下整个序列，如: 以 b 为结束点的所有子序列: [a , b] [b] 以 c 为结束点的所有子序列: [a, b, c] [b, c] [ c ]。
第一种遍历方式通常用于暴力解法, 第二种遍历方式 leetcode (5. 最长回文子串 ) 中的解法就用到了。
第三种遍历方式 因为可以产生递推关系, 采用动态规划时, 经常通过此种遍历方式, 如 背包问题, 最大公共子串 , 这里的动态规划解法也是以 先遍历出 以某个节点为结束节点的所有子序列 的思路
对于刚接触动态规划的, 我感觉熟悉第三种遍历方式是需要抓住的核心
因为我们通常的惯性思维是以子序列的开头为基准，先遍历出以 a 为开头的所有子序列，再遍历出以 b 为开头的…但是动态规划为了找到不同子序列之间的递推关系，恰恰是以子序列的结束点为基准的，这点开阔了我们的思路。
我在网上看不少解答时，直接阅读其代码，总是感觉很理解很吃力，因为好多没有写清楚，一些遍历到底代表什么意思，看了许久仍不知所以然，下面的代码中摘录了 维基中的解释，感觉比较清楚，供大家理解参考。
作者：lao-hu-8
链接：https://leetcode-cn.com/problems/maximum-subarray/solution/xiang-xi-jie-du-dong-tai-gui-hua-de-shi-xian-yi-li/
来源：力扣（LeetCode）
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

动态规划一般为了有递推关系的分析，都是从末尾来递推。感觉上面的代码更像暴力法一些。
于是按照上面老哥的解释，试着再重新写一遍动态规划的解题方法。
递推关系为 sum[i] = max{sum[i-1]+a[i],a[i]}
代码如下：

class Solution {
public:
    int maxSubArray(vector<int>& nums) {
        int n=nums.size();
        int sum[n];
        sum[0]=nums[0];
        int ans=sum[0];
        for(int i=1;i<n;i++){
            sum[i]=sum[i-1]+nums[i]>nums[i]?sum[i-1]+nums[i]:nums[i];
            ans=sum[i]>ans?sum[i]:ans;
        }
        //找到其中最大的值
        return ans;
        
    }
};

上面两个程序进行比较：两者占用的内存空间差不多大，但是第二个程序的运行时间用了4ms，第一个用了8ms。第二个程序更快一些。理解第二个程序才能更好的理解此题使用动态规划来解决问题。