力扣题解-123. 买卖股票的最佳时机 III(动态规划)

题目:123. 买卖股票的最佳时机 III

给定一个数组,它的第 i 个元素是一支给定的股票在第 i 天的价格。

设计一个算法来计算你所能获取的最大利润。你最多可以完成 两笔 交易。

注意:你不能同时参与多笔交易(你必须在再次购买前出售掉之前的股票)。

示例 1:
输入:prices = [3,3,5,0,0,3,1,4]
输出:6
解释:在第 4 天(股票价格 = 0)的时候买入,在第 6 天(股票价格 = 3)的时候卖出,这笔交易所能获得利润 = 3-0 = 3 。
随后,在第 7 天(股票价格 = 1)的时候买入,在第 8 天 (股票价格 = 4)的时候卖出,这笔交易所能获得利润 = 4-1 = 3 。

示例 2:
输入:prices = [1,2,3,4,5]
输出:4
解释:在第 1 天(股票价格 = 1)的时候买入,在第 5 天 (股票价格 = 5)的时候卖出, 这笔交易所能获得利润 = 5-1 = 4 。
注意你不能在第 1 天和第 2 天接连购买股票,之后再将它们卖出。
因为这样属于同时参与了多笔交易,你必须在再次购买前出售掉之前的股票。

示例 3:
输入:prices = [7,6,4,3,1]
输出:0
解释:在这个情况下, 没有交易完成, 所以最大利润为 0。

示例 4:
输入:prices = [1]
输出:0

提示:
1 <= prices.length <= 105
0 <= prices[i] <= 105

来源:力扣(LeetCode)
链接:https://leetcode-cn.com/problems/best-time-to-buy-and-sell-stock-iii
著作权归领扣网络所有。商业转载请联系官方授权,非商业转载请注明出处。

题解-(动态规划)

1. 状态定义

在每天的股票交易动作完成时,会存在以下几种状态:

  1. 没有执行任何交易动作;
  2. 执行了第一次买入;
  3. 执行了第一笔交易,即完成了第一次买入和第一次卖出;
  4. 执行了第二次买入,即在完成了第一笔交易的基础上,进行第二次买入;
  5. 执行了第二笔交易,即完成了第二次买入和第二次卖出。
size = prices.size()

定义 d p [ 0 , 1 , ⋯   , n − 1 ] [ 5 ] dp[0,1,\cdots,n-1][5] dp[0,1,,n1][5] d p [ i ] [ 0 , 1 , 2 , 3 , 4 ] dp[i][0,1,2,3,4] dp[i][0,1,2,3,4]分别表示第 i i i天完成交易动作之后,5种状态所能获取的最大利润。

2. 转移方程
dp[i][0] = 0;//没有交易动作

dp[i][1] = max(dp[i-1][1], dp[i-1][0] - prices[i]);
//前一天的状态为第一次买入,当天不操作;
//前一天的状态为没有交易动作,当天买入

dp[i][2] = max(dp[i-1][2], dp[i-1][1] + prices[i]);
//前一天的状态为完成第一笔交易,当天不操作;
//前一天的状态为第一次买入,当天卖出完成第一笔交易

dp[i][3] = max(dp[i-1][3], dp[i-1][2] - prices[i]);
//前一天的状态为第二次买入,当天不操作;
//前一天的状态为完成第一笔交易,当天第二次买入

dp[i][4] = max(dp[i-1][4], dp[i-1][3] + prices[i]);
//前一天的状态为完成全部两次交易,当天不操作;
//前一天的状态为完成第二次买入,当天第二次卖出
3. 初始条件/边界
dp[0][0] = 0;//,没有交易,利润当然为0
dp[0][1] = -prices[0];//第一次买入,利润为-prices[0]
dp[0][2] = 0;//第一次买入且卖出,利润为0
dp[0][3] = -prices[0];//第二次买入,利润为-prices[0]
dp[0][4] = 0;//第二次买入且卖出,利润为0
4. 最优解
max(dp[size-1][4], dp[size-1][2]);

代码

class Solution {
public:
    int maxProfit(vector<int>& prices) {
        int size = prices.size();
        vector<vector<int>> dp(size, vector<int>(5, 0));

        dp[0][0] = 0;
        dp[0][1] = -prices[0];
        dp[0][2] = 0;
        dp[0][3] = -prices[0];
        dp[0][4] = 0;

        for(int i = 1; i < size; i++) {
            dp[i][0] = 0;
            dp[i][1] = max(dp[i-1][1], dp[i-1][0] - prices[i]);//前一天完成买入,当天不操作;当天买入
            dp[i][2] = max(dp[i-1][2], dp[i-1][1] + prices[i]);//前一天完成一笔交易,当天不操作;当天卖出,完成交易
            dp[i][3] = max(dp[i-1][3], dp[i-1][2] - prices[i]);//前一天完成第二次买入,当天不操作;当天第二次买入
            dp[i][4] = max(dp[i-1][4], dp[i-1][3] + prices[i]);//前一天完成全部两次交易,当天不操作;当天第二次卖出
        }

        return max(dp[size-1][4], dp[size-1][2]);
    }
};

空间复杂度的改进

分析状态转移方程可以发现,状态 d p [ i ] [ 0 , 1 , 2 , 3 , 4 ] dp[i][0,1,2,3,4] dp[i][0,1,2,3,4]只与前一个状态和当前循环变量 p r i c e s [ i ] prices[i] prices[i]有关。

因此,可以进一步降低空间复杂度到 Θ ( 1 ) \Theta(1) Θ(1)级别。

class Solution {
public:
    int maxProfit(vector<int>& prices) {
        int size = prices.size();

        int dp0 = 0;
        int dp1 = -prices[0];
        int dp2 = 0;
        int dp3 = -prices[0];
        int dp4 = 0;

        for(int i = 1; i < size; i++) {
            dp4 = max(dp4, dp3 + prices[i]);//前一天完成全部两次交易,当天不操作;当天第二次卖出
            dp3 = max(dp3, dp2 - prices[i]);//前一天完成第二次买入,当天不操作;当天第二次买入
            dp2 = max(dp2, dp1 + prices[i]);//前一天完成一笔交易,当天不操作;当天卖出,完成交易
            dp1 = max(dp1, dp0 - prices[i]);//前一天完成买入,当天不操作;当天买入
            dp0 = 0;            
        }

        return max(dp4, dp2);
    }
};

此外,状态dp0利润一直为零,还可以忽略。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值