从状态机看股票交易问题

概述

动态规划的一种典型题型：
一般的动态规划都是

 dp[n] = f(dp[x])

但是有一种题型的动态规划的转移方程是：

dp[n] = f(g[x]) 
g[x] = dp[x]

这种就是含状态机的动态规划问题

股票交易问题的通用解法：

1. 定义动态数组：
   dp[i][k][0] 代表当前天是第i天，已经交易k次，现在不持有股票的最大利润
   dp[i][k][1] 代表当前天是第i天，已经交易k次，现在持有股票的最大例如

2. 初始化：
   初始化的方向主要有两个原则：没有交易的时候利润为0，不可能事件的利润为 -inf
   第0天，如果还没持有股票，利润为0
   第0天，已经持有股票，利润为-price[0]

3. 转移方程

   # 卖出不消耗次数
   # 第i天，已经进行k次交易，并且不持有股票，我的值要不然就是前一天已经进行k次交易且不持有股票。要不就是前一天只进行k次交易并且持有股票，然后今天我把股票卖掉
   dp[i][k][0] = max(dp[i - 1][k][0], dp[i - 1][k][1] + prices[i])
   # 买入消耗次数
   # 第i天，已经进行k次交易，并且持有股票，我的值要不然就是前一天已经进行k次交易且持有股票。要不就是前一天只进行k-1次交易并且不持有股票，然后今天我把股票买回来
   dp[i][k][1] = max(dp[i - 1][k][1], dp[i - 1][k - 1][0] - prices[i])
   

4. 循环区间

   for i in range(size):
       for k in range(max_K,0,-1): #k为什是倒叙呢，不理解？[max_k,1]
       	pass
   

5. 返回结果
   最后一天，交易了max_k次，并且不持有股票的利润

   dp[-1][max_k][0]
   

题型：k为有限次

k为1次：121. 买卖股票的最佳时机

class Solution:
    def maxProfit(self, prices) -> int:
        max_K = 1
        size = len(prices)

        if size == 0:
            return 0

        # dp[i][k][j] i [0,size-1] k [0,max_K] j [0,1]
        dp = [[[0, 1] for _ in range(max_K + 1)] for _ in range(size)]

        for i in range(size):
            for k in range(max_K,0,-1):
                if i == 0:  # 初始化
                    dp[i][k][0] = 0
                    dp[i][k][1] = -prices