Crack LeetCode 之 53. Maximum Subarray

https://leetcode.com/problems/maximum-subarray/description/

下文除了代码以外，部分引用和整理自下文。
https://blog.csdn.net/linhuanmars/article/details/21314059

这是一道非常经典的动态规划题，本题的思路在别的动态规划题中也很常用，以后我们称之为“局部最优和全局最优解法”。
基本思路是：在每一步我们维护两个变量，一个是全局最优，就是到当前元素为止的最优解；另一个是局部最优解，就是必须包含当前元素的最优的解。
假设我们已知第i步的local[i]（局部最优）和global[i]（全局最优），那么第i+1步的局部最优和全局最优分别是：
1）local[i+1]=max(A[i+1], local[i]+A[i+1])
也就是说局部最优是一定要包含当前元素的。所以有两种情况：如果local[i]大于0，那么local[i+1]就是上一步的局部最优local[i]+当前元素A[i+1]；如果local[i]小于0，那么local[i+1]就是A[i+1]。
2）global[i+1]=max(local[i+1],global[i])
有了当前的局部最优解，那么全局最优就是当前的局部最优和原来的全局最优中的较大值。

以下为C++代码和python代码，时间复杂度为O(n)，空间复杂度为O(1)。这道题是动态规划中比较简单的题目，适合面试中使用，考察面试者是否有动态规划的思想。

class Solution {
public:
    int maxSubArray(vector<int>& nums) {
        if (nums.empty())
            return 0;

        int global = nums[0];
        int local = nums[0];
        for (int i = 1; i<nums.size(); ++i) {
            local = max(nums[i], local + nums[i]);
            global = max(global, local);
        }

        return global;
    }
};

class Solution:
	def maxSubArray(self, nums):
		if nums is None or len(nums) == 0:
			return 0
		
		localRes = nums[0]
		globalRes = nums[0]
		for i in range(1, len(nums)):
			localRes = max(nums[i], localRes + nums[i])
			globalRes = max(globalRes, localRes)
		
		return globalRes