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