给你一个整数数组 nums ,请你找出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。
子数组
是数组中的一个连续部分。
示例 1:
输入:nums = [-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 。
示例 2:
输入:nums = [1]
输出:1
示例 3:
输入:nums = [5,4,-1,7,8]
输出:23
Kadane算法
class Solution {
public:
int maxSubArray(vector<int>& nums) {
int pre = 0, maxAns = nums[0];
for(int &num : nums){
pre = max(pre + num, num);
maxAns = max(maxAns,pre);
}
return maxAns;
}
};
时间复杂度:O(n),其中 n 为 nums 数组的长度。我们只需要遍历一遍数组即可求得答案。
空间复杂度:O(1)。我们只需要常数空间存放若干变量。
在这段代码中,max(pre + num, num)
意思是,当pre为负数的时候,pre + num肯定会小于num,这时候就取较大值num,也等同于先让pre为0,然后再继续加上num,也就是说当pre为负数的时候就舍去。pre的作用和下面贪心算法的sum类似,当sum < 0的时候,就让sum = 0,然后继续sum + num。
贪心算法
class Solution {
public:
int maxSubArray(vector<int>& nums) {
int result = -1e4;
int sum = 0;
for(int i = 0;i < nums.size(); i++){
sum += nums[i];
result = max(result, sum);
if(sum < 0){
sum = 0;
}
}
return result;
}
};
贪心比较好理解,不多赘述,时间复杂度和空间复杂度等同于Kadane。
分治算法
class Solution {
public:
struct Status {
int iSum,mSum,rSum,lSum;
};
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{iSum,mSum,rSum,lSum};
};
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;
}
};
时间复杂度: O(n)
空间复杂度:O(logn)
以示例3为例子画采用分治的方法画线段树:
Sum 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
代码中int m = (l + r) >> 1
的意思是二进制整体向右移动一位,也就是相当于(l+r)/2
并向下取整。
iSum:线段树节点的元素之和,也就是等于左子节点的元素之和加上右子节点的元素之和
int iSum = l.iSum + r.iSum;
lSum:线段树节点以l为左端点的最大子段和,这时候有两种情况,一种是左子节点的lSum,也就是右子节点的lSum为负数成分较大的时候,左子节点的lSum一般就是该节点的lSum。第二种情况是右子节点的lSum为正数成分较大的时候,lSum就会等于左子节点的元素之和iSum加上右子树的lSum。
int lSum = max(l.lSum, l.iSum + r.lSum);
rSum同理lSum
int rSum = max(r.rSum, r.iSum + l.rSum);
mSum表示 [l,r] 内的最大子段和,这时候有三种情况,一种是他的左子节点的mSum等于他的mSum,第二种是他的右子节点的mSum等于他的mSum,第三种是从m的两边都取元素作为子段元素,这时他的mSum = 左子节点的rSum + 右子节点的lSum,将三者进行比较,取最大值返回就是题目的解。
int mSum = max(max(l.mSum,r.mSum), l.rSum + r.lSum);
斜体字引用于 :力扣官方解题
「方法二」相较于「方法一」来说,时间复杂度相同,但是因为使用了递归,并且维护了四个信息的结构体,运行的时间略长,空间复杂度也不如方法一优秀,而且难以理解。那么这种方法存在的意义是什么呢?
对于这道题而言,确实是如此的。但是仔细观察「方法二」,它不仅可以解决区间 [0,n−1],还可以用于解决任意的子区间 [l,r] 的问题。如果我们把 [0,n−1] 分治下去出现的所有子区间的信息都用堆式存储的方式记忆化下来,即建成一棵真正的树之后,我们就可以在 O(logn) 的时间内求到任意区间内的答案,我们甚至可以修改序列中的值,做一些简单的维护,之后仍然可以在 O(logn) 的时间内求到任意区间内的答案,对于大规模查询的情况下,这种方法的优势便体现了出来。