最大连续子序列和,非常经典的题。
当我们从头到尾遍历这个数组的时候,对于数组里的一个整数,它有几种选择呢?它只有两种选择: 1、加入之前的SubArray;2. 自己另起一个SubArray。那什么时候会出现这两种情况呢?
如果之前SubArray的总体和大于0的话,我们认为其对后续结果是有贡献的。这种情况下我们选择加入之前的SubArray
如果之前SubArray的总体和为0或者小于0的话,我们认为其对后续结果是没有贡献,甚至是有害的(小于0时)。这种情况下我们选择以这个数字开始,另起一个SubArray。
设状态为{f[j]},表示以{S[j]}结尾的最大连续子序列和,则状态转移方程如下:
自己参考 法1的解法
对于 -2,1,-3,4,-1,2,1,-5,4 试一次就知道
public class Solution {
public int maxSubArray(int[] nums) {
int n = nums.length;
int sum = nums[n - 1];
int maxSum = sum;
for (int i = n - 2; i >= 0; i--) {
sum = max(nums[i], sum + nums[i]);
maxSum = max(maxSum, sum);
}
return maxSum;
}
int max(int a, int b) {
return a > b ? a : b;
}
}
方法I:动态规划
另sum[i]表示从i开始的最大子串和,则有递推公式:sum[i] = max{A[i], A[i] + sum[i+1]}
因为递推式只用到了后一项,所以在编码实现的时候可以进行状态压缩,用一个变量即可
代码:
1 int maxSubArray(int A[], int n) { 2 int subsum = A[n - 1]; 3 int maxSum = subsum; 4 5 for (int i = n - 2; i >= 0; i--) { 6 subsum = max(A[i], subsum + A[i]); 7 maxSum = max(maxSum, subsum); 8 } 9 10 return maxSum; 11 }时间复杂度O(n),空间复杂度O(1)
方法II:扫描法(姑且这么称呼吧)
这是网上比较流行的一种做法,本质上还是动态规划+状态压缩。参考这篇博文
代码:
1 int maxSubArray(int A[], int n) { 2 if (n == 0) 3 return 0; 4 5 int max_ending_here = A[0]; 6 int max_so_far = A[0]; 7 for(int i = 1; i < n; ++i) 8 { 9 if (max_ending_here < 0) 10 // So far we get negative values, this part has to be dropped 11 max_ending_here = A[i]; 12 else 13 // we can accept it, it could grow later 14 max_ending_here += A[i]; 15 16 max_so_far = max(max_so_far, max_ending_here); 17 } 18 return max_so_far; 19 }时间复杂度O(n),空间复杂度O(1)
方法III:分治法
假设求A[l..r]的最大子串和
首先将其分成两半A[l..m]和A[m+1..r],其中m=(l+r)/2,并分别求递归求出这两半的最大子串和,不妨称为left,right。如下图所示:
A[l..r]的连续子串和可能出现在左半边(即left),或者可能出现在右半边(即right),还可能出现在横跨左右两半的地方(即middle),如下图橙色部分所示:
当然,middle完全有可能覆盖left或right,它可能的范围入下图所示:
那么,如何求middle?貌似没有什么简单的方法,只能从中间向两遍扫,也就是把上图种的范围扫一遍。具体怎么扫呢?见方法I和方法II
是不是突然觉得很坑爹?既然知道最后求middle要扫一遍,还不如一开始就从l到r扫一遍求max得了,还费什么劲儿求left和right呢?求left和right的作用仅限于缩小扫描的范围。
代码:
1 int diveNConquer(int A[], int l, int r) { 2 if (l == r) 3 return A[l]; 4 5 int m = (l + r) / 2; 6 int left = diveNConquer(A, l, m); 7 int right = diveNConquer(A, m + 1, r); 8 int middle = A[m]; 9 for (int i = m - 1, tmp = middle; i >= l; i--) { 10 tmp += A[i]; 11 middle = max(middle, tmp); 12 } 13 for (int i = m + 1, tmp = middle; i <= r; i++) { 14 tmp += A[i]; 15 middle = max(middle, tmp); 16 } 17 18 return max(middle, max(left, right)); 19 } 20 21 int maxSubArray(int A[], int n) { 22 return diveNConquer(A, 0, n - 1); 23 }分析一下时间复杂度,设问题的工作量是T(n),则有T(n) = 2T(n/2) + O(n),解得T(n) = O(nlogn)。看看,效率反而低了不少。