求最大子序列和之线性时间

算法导论里详细说了用时O(nlgn)的算法，主要思路是：

这个序列必定在——左半部分，右半部分，跨越中间的元素的一段序列。

使用的是分治思想，不过左右段搜索可是用了n的时间啊。

这里课后题阐述要给出一个O（n）的算法，显然，对于这个提示：

你只能扫描！

而且也就几次扫描！

否则就不是n的时间了。

我们这么来考虑：

一个数组序列的数字有正有负，最大子序列的最小值至少是0（全是负值，但我们选择了0个元素的子序列），

所以我们有一个初始“最大序列和”：max_sum=0,

显而易见的是我们要一个临时求和变量temp_sum来记录，一旦大于max_sum了，那就赋值给max_sum；

重头戏来了：对于一个刚好求和完毕使得temp_sum小于0的迭代来说，我们要给temp值赋值为0！

可以这样想：

如果刚好让其大于等于0，那等等看，万一后边那个让temp变得更大了呢？

但是如果小于0就算了， 就算加了后面元素，这个temp值也是拖累（减小子序列和大小）

所以直接重新从后面部分开始估计。

不过没关系，已经不要的这一段序列最大和已经被max值保存了。

因此这个函数极为简洁：

def find_max_subarray(arr):
    max_sum,temp_sum=0,0
    for x in arr:
        temp_sum+=x
        if temp_sum>max_sum:
            max_sum=temp_sum
        if temp_sum<0:
            temp_sum=0
    return max_sum

很显然，一遍遍历，仅需要n次迭代。估计是最快的方法了。

这个应用很广，比如给了每天产品价格要求出哪天买入、卖出收益最大。

那就要初始化一个序列来记录变化量，比如[3,5,2,7]

那么变化量就是[2,-3,5]（后面元素减去前面的）

然后我们要求出最大子序列和（的范围）便是最大的收益。