备战秋招60天算法挑战，Day7

题目链接： https://leetcode.cn/problems/maximum-product-subarray/

视频题解： https://www.bilibili.com/video/BV1qM4m1Q7nZ/

LeetCode 152.乘积最大子数组

题目描述

给你一个整数数组 nums ，请你找出数组中乘积最大的非空连续子数组（该子数组中至少包含一个数字），并返回该子数组所对应的乘积。

测试用例的答案是一个 32-位 整数。

子数组 是数组的连续子序列。

举个例子：

输入: nums = [2,3,-2,4]
输出: 6
解释: 子数组 [2,3] 有最大乘积 6。

视频题解

乘积最大子数组

思路来源

思路来源

思路解析

这是一道经典的动态规划题目，动态规划的关键就是推导状态转移公式，接下来带你一步步来推导。

定义cur_max[i]表示以nums中第i个元素结尾子数组乘积最大的值，其中0 <= i < nums.size。在推导cur_max[i]的过程中会枚举以nums中任意元素结尾，乘积最大的子数组。最终我们从cur_max[i]中选择最大的一个即是最终要返回的结果。

那么cur_max[i]要怎么算呢？

1. 数组元素全部都是大于0的场景：

在这种场景下，因为元素都是正数，不难看出cur_max[i] = cur_max[i-1] * nums[i]。

2. 数组元素中含0的场景：

这个时候，cur_max[2] = 0，nums[3] = 3，如果继续套用上面的公式算出cur_max[3] = cur_max[2] * nums[3] = 0，显然这是不对的，正确的cur_max[3] = nums[3] = 3。我们需要修改下上面的公式，cur_max[i] = max{cur_max[i-1] * nums[i], nums[i]}。

3. 数组元素包含负数的场景：

负数比较特殊，cur_max[2] = -1，但cur_max[3] != max{cur_max[2] * nums[3], nums[3]}。这是因为负数的存在可能会导致最大值乘以负数变最小值，最小值乘以负数变最大值。针对这种情况我们增加一个数组cur_min[i]来表示以nums中第i个元素结尾子数组乘积最小的值，这个时候最终获得的状态转移公式如下。

cur_max[i] = max{cur_max[i-1] * nums[i], cur_min[i-1] * nums[i], nums[i]}。
cur_min[i] = min{cur_max[i-1] * nums[i], cur_min[i-1] * nums[i], nums[i]}。

实现优化

上面的状态转移公式如果用代码来实现需要利用两个跟nums长度一致的数组cur_min和cur_max。因为题目要求找到子数组最大的乘积，我们不需要把每个子数组的状态都保存下来，只保存上一个状态就可以。利用一个整型变量max_res来保存全局的最大乘积。

C++代码

class Solution {
public:
    int maxProduct(vector<int>& nums) {
        int nums_len = nums.size();
        int max_res = INT_MIN;
        long long cur_max = 1, cur_min = 1;
        for (int i = 0; i < nums_len; ++i) {
           //提前保存一下cur_max和cur_min前一个状态，避免更新cur_min的时候用了最新状态的cur_max
            long long temp_max = cur_max, temp_min = cur_min;
            //状态转移公式
            cur_max = max(max(temp_max * nums[i], temp_min * nums[i]), (long long)nums[i]);
            cur_min = min(min(temp_max * nums[i], temp_min * nums[i]), (long long)nums[i]);
            if (cur_min < INT_MIN) {
                cur_min = INT_MIN;
            }
            //更新全局最大值
            max_res = max(max_res, (int)cur_max); 
        }
        return max_res;
    }
};

java代码

class Solution {
    public int maxProduct(int[] nums) {
        int nums_len = nums.length;
        int max_res = Integer.MIN_VALUE;
        long cur_max = 1, cur_min = 1;
        for (int i = 0; i < nums_len; ++i) {
            // 提前保存一下cur_max和cur_min前一个状态，避免更新cur_min的时候用了最新状态的cur_max
            long temp_max = cur_max, temp_min = cur_min;
            // 状态转移公式
            cur_max = Math.max(Math.max(temp_max * nums[i], temp_min * nums[i]), nums[i]);
            cur_min = Math.min(Math.min(temp_max * nums[i], temp_min * nums[i]), nums[i]);
            if (cur_min < Integer.MIN_VALUE) {
                cur_min = Integer.MIN_VALUE;
            }
            // 更新全局最大值
            max_res = Math.max(max_res, (int)cur_max);
        }
        return max_res;
    }
}

python代码

class Solution:
    def maxProduct(self, nums: List[int]) -> int:
        nums_len = len(nums)
        max_res = float('-inf')
        cur_max = 1
        cur_min = 1
        for i in range(nums_len):
            # 提前保存一下cur_max和cur_min前一个状态，避免更新cur_min的时候用了最新状态的cur_max
            temp_max = cur_max
            temp_min = cur_min
            # 状态转移公式
            cur_max = max(max(temp_max * nums[i], temp_min * nums[i]), nums[i])
            cur_min = min(min(temp_max * nums[i], temp_min * nums[i]), nums[i])
            # 更新全局最大值
            max_res = max(max_res, cur_max)
        return max_res

复杂度分析

时间复杂度： 整个过程只需要遍历一遍数组nums，故时间复杂度为O(n)，其中n为nums的长度。

空间复杂度： 整个过程只用到了整型变量，故空间复杂度为O(1)。