Find the contiguous subarray within an array (containing at least one number) which has the largest sum.
For example, given the array [−2,1,−3,4,−1,2,1,−5,4],
the contiguous subarray [4,−1,2,1] has the largest sum = 6.
这是一个经典问题,求一个数组最大子数组,本题处理的是一维数组的情况,处理这个问题一个比较好的O(n)算法是kadane算法,代码如下:
int maxSubArray(vector<int>& nums) {
int len=nums.size();
if(len==0){
return 0;
}
int max_so_far=nums[0];
int max_ending_here=nums[0];
for(int i=1;i<len;++i){
max_ending_here=max(nums[i],max_ending_here+nums[i]);
max_so_far=max(max_so_far,max_ending_here);
}
return max_so_far;
}
由于此算法使用了最佳子结构,所以可以看作是一个动态规划问题。和常见动态规划问题比,我们没有记录下所有位置作为终点的子数组的最大子数列值得数组,因为我们只需要知道最大值。同时,我们没有维护子数列的前后指针,因为位置信息对于求解最大值没有贡献,我们只需要遍历一遍数组即可。对于终点为n的子数列,我们不需要知道他的最大子数列从何处开始(尽管我们可以做到)。
这个题目看起来并不是动态规划问题,因为他不具备常见动态规划问题的特征,我们只需要上一步的最优解,不需要记录全部子问题最优解。全局最优解需要用到局部最优解,一旦找到这样的结构,我们就可以尝试这一题这种思路。
这一题还可以用分治法来做,就不解释了,直接上代码:
int divide(vector<int>&nums,int l,int r){
if(l==r)
return nums[l];
if((r-l)==1){
return max(nums[l]+nums[r],max(nums[l],nums[r]));
}
int mid=(l+r)/2;
int lmax=divide(nums,l,mid-1);
int rmax=divide(nums,mid+1,r);
int mmax=nums[mid];
int tmp=mmax;
for(int i=mid-1;i>=l;--i){
tmp+=nums[i];
if(tmp>mmax){
mmax=tmp;
}
}
tmp=mmax;
for(int j=mid+1;j<=r;++j){
tmp+=nums[j];
if(tmp>mmax){
mmax=tmp;
}
}
return max(mmax,max(lmax,rmax));
}
int maxSubArray(vector<int> &nums){
int len=nums.size();
if(len==0)
return 0;
return divide(nums,0,len-1);
}
分治法的时间复杂度仍然是O(n),因为也要对数组进行一次遍历。