每日一道Leetcode - 123. 买卖股票的最佳时机 III 【动态规划】

在这里插入图片描述

class Solution:
    def maxProfit(self, prices: List[int]) -> int:
        # 动态规划
        # 状态:天数,买,卖
        # 5种选择:无操作,1次买操作,1次买的基础上1次卖,第2次买(第一次交易完成的前提下开始),第二次买的基础上卖(完成两笔交易)
        # dp数组存储当天的最终状态
        
        n = len(prices)
        if n==0: return 0
        # dp = [[[0]*3]*3]*n
        dp=[ [[0,0,0],[0,0,0] ] for i in range(0,n) ]
        # base case

        # 第1天无交易【不买不卖】
        dp[0][0][0] = 0
        # 第一天没买还卖?所以卖1支两支都有问题
        dp[0][0][1] = float('-inf')
        dp[0][0][2] = float('-inf')
        # 第1天买入1支【买了东西此时钱少了】
        dp[0][1][0] = -prices[0]
        # 第一天买了再卖/买了1支卖两支?也不可以
        dp[0][1][1] = float('-inf')
        dp[0][1][2] = float('-inf')

        # 对于之后的每一天进行操作
        for i in range(1,n):
            # 当天末: 未持股的状态,没有买卖记录
            dp[i][0][0] = 0
            # 当天末: 未持股的状态,但是有卖出一支的记录,之前卖的吧(记录上次的状态)/今天卖的算钱(之前手里有一支并且没有卖出记录的情况下加上今天的钱)!
            dp[i][0][1] = max(dp[i-1][0][1],dp[i-1][1][0]+prices[i])
            # 当天末: 未持股的状态,但是有两支卖出记录,之前卖的(上次的状态)/今天卖的算钱(上次手里有1支,也有1次卖出的记录了,加上今天的钱)
            dp[i][0][2] = max(dp[i-1][0][2],dp[i-1][1][1]+prices[i])
            # 当天末: 持1股,无卖出记录,昨天买的(上次的状态),今天买的(从没有交易过,所以直接0-今天这股价钱,当然也可以用上次的没买的状态减钱)
            dp[i][1][0] = max(dp[i-1][1][0],dp[i-1][0][0]-prices[i])
            # 当天末: 持1股,卖出1支,第二次交易状态,昨天买的(上次状态),今天买的(上次持0股交易1次的状态【第一次结束】下减钱)
            dp[i][1][1] = max(dp[i-1][1][1],dp[i-1][0][1]-prices[i])
            # 当天末: 持1股,卖出2支,不可能
            dp[i][1][2] = float('-inf')
        # 两次赚钱的可能,最后一天 “持0股,卖出1支” 以及 “持0股,卖出2支”
        return max(dp[n-1][0][1],dp[n-1][0][2],0)

第二种简单的:

class Solution:
    def maxProfit(self, prices: List[int]) -> int:
        # 动态规划
        # 状态:天数,买,卖
        # 5种选择:无操作,1次买操作,1次买的基础上1次卖,第2次买(第一次交易完成的前提下开始),第二次买的基础上卖(完成两笔交易)
        # dp数组存储当天的最终状态
        """
        n = len(prices)
        if n==0: return 0
        # dp = [[[0]*3]*3]*n
        dp=[ [[0,0,0],[0,0,0] ] for i in range(0,n) ]
        # base case

        # 第1天无交易【不买不卖】
        dp[0][0][0] = 0
        # 第一天没买还卖?所以卖1支两支都有问题
        dp[0][0][1] = float('-inf')
        dp[0][0][2] = float('-inf')
        # 第1天买入1支【买了东西此时钱少了】
        dp[0][1][0] = -prices[0]
        # 第一天买了再卖/买了1支卖两支?也不可以
        dp[0][1][1] = float('-inf')
        dp[0][1][2] = float('-inf')

        # 对于之后的每一天进行操作
        for i in range(1,n):
            # 当天末: 未持股的状态,没有买卖记录
            dp[i][0][0] = 0
            # 当天末: 未持股的状态,但是有卖出一支的记录,之前卖的吧(记录上次的状态)/今天卖的算钱(之前手里有一支并且没有卖出记录的情况下加上今天的钱)!
            dp[i][0][1] = max(dp[i-1][0][1],dp[i-1][1][0]+prices[i])
            # 当天末: 未持股的状态,但是有两支卖出记录,之前卖的(上次的状态)/今天卖的算钱(上次手里有1支,也有1次卖出的记录了,加上今天的钱)
            dp[i][0][2] = max(dp[i-1][0][2],dp[i-1][1][1]+prices[i])
            # 当天末: 持1股,无卖出记录,昨天买的(上次的状态),今天买的(从没有交易过,所以直接0-今天这股价钱,当然也可以用上次的没买的状态减钱)
            dp[i][1][0] = max(dp[i-1][1][0],dp[i-1][0][0]-prices[i])
            # 当天末: 持1股,卖出1支,第二次交易状态,昨天买的(上次状态),今天买的(上次持0股交易1次的状态【第一次结束】下减钱)
            dp[i][1][1] = max(dp[i-1][1][1],dp[i-1][0][1]-prices[i])
            # 当天末: 持1股,卖出2支,不可能
            dp[i][1][2] = float('-inf')
        # 两次赚钱的可能,最后一天 “持0股,卖出1支” 以及 “持0股,卖出2支”
        return max(dp[n-1][0][1],dp[n-1][0][2],0)
        """
        n = len(prices)
        if n <= 1: return 0 
        # 第一天状态:
        # 01/02: 持股0卖出1/2不可能 
        # 10: 第一天买了, 持股1卖出0 此时直接减去买股票的钱
        # 11: 第一天买第一天卖,不管,其实利润是0
        n_01, n_02, n_10, n_11 = float("-inf"), float("-inf"), -prices[0], float("-inf")
        for i in range(1, n):
            # c_01: n_10+prices[i] 从持股1卖出0 到 持股0卖出1【第一次交易结束】
            c_01 = max(n_01, n_10+prices[i])
            # c_02: n_11+prices[i] 从持股1卖出1 到 持股0卖出2 【第二次交易结束】
            c_02 = max(n_02, n_11+prices[i])
            # c_10: 0 - prices[i] 第一次持股, 总价直接扣 【第一次买】
            c_10 = max(n_10, 0 - prices[i])
            # c_11: n_01-prices[i] 持股0卖出1 到 持股1卖出1 【第一次结束的基础上第二次买】
            c_11 = max(n_11, n_01-prices[i])
            
            n_01, n_02, n_10, n_11 = c_01, c_02, c_10, c_11
        return max(n_01, n_02, 0)
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: 好的,我来用中文回复这个链接:https://leetcode-cn.com/tag/dynamic-programming/ 这个链接是 LeetCode 上关于动态规划的题目集合。动态规划是一种常用的算法思想,可以用来解决很多实际问题,比如最长公共子序列、背包问题、最短路径等等。在 LeetCode 上,动态规划也是一个非常重要的题型,很多题目都需要用到动态规划的思想来解决。 这个链接里包含了很多关于动态规划的题目,按照难度从简单到困难排列。每个题目都有详细的题目描述、输入输出样例、题目解析和代码实现等内容,非常适合想要学习动态规划算法的人来练习和提高自己的能力。 总之,这个链接是一个非常好的学习动态规划算法的资源,建议大家多多利用。 ### 回答2: 动态规划是一种算法思想,通常用于优化具有重叠子问题和最优子结构性质的问题。由于其成熟的数学理论和强大的实用效果,动态规划在计算机科学、数学、经济学、管理学等领域均有重要应用。 在计算机科学领域,动态规划常用于解决最优化问题,如背包问题、图像处理、语音识别、自然语言处理等。同时,在计算机网络和分布式系统中,动态规划也广泛应用于各种优化算法中,如链路优化、路由算法、网络流量控制等。 对于算法领域的程序员而言,动态规划是一种必要的技能和知识点。在LeetCode这样的程序员平台上,题目分类和标签设置十分细致和方便,方便程序员查找并深入学习不同类型的算法。 LeetCode动态规划标签下的题目涵盖了各种难度级别和场景的问题。从简单的斐波那契数列、迷宫问题到可以用于实际应用的背包问题、最长公共子序列等,难度不断递进且话题丰富,有助于开发人员掌握动态规划的实际应用技能和抽象思维模式。 因此,深入LeetCode动态规划分类下的题目学习和练习,对于程序员的职业发展和技能提升有着重要的意义。 ### 回答3: 动态规划是一种常见的算法思想,它通过将问题拆分成子问题的方式进行求解。在LeetCode中,动态规划标签涵盖了众多经典和优美的算法问题,例如斐波那契数列、矩阵链乘法、背包问题等。 动态规划的核心思想是“记忆化搜索”,即将中间状态保存下来,避免重复计算。通常情况下,我们会使用一张二维表来记录状态转移过程中的中间值,例如动态规划求解斐波那契数列问题时,就可以定义一个二维数组f[i][j],代表第i项斐波那契数列中,第j个元素的值。 在LeetCode中,动态规划标签下有众多难度不同的问题。例如,经典的“爬楼梯”问题,要求我们计算到n级楼梯的方案数。这个问题的解法非常简单,只需要维护一个长度为n的数组,记录到达每一级楼梯的方案数即可。类似的问题还有“零钱兑换”、“乘积最大子数组”、“通配符匹配”等,它们都采用了类似的动态规划思想,通过拆分问题、保存中间状态来求解问题。 需要注意的是,动态规划算法并不是万能的,它虽然可以处理众多经典问题,但在某些场景下并不适用。例如,某些问题的状态转移过程比较复杂,或者状态转移方程中存在多个参数,这些情况下使用动态规划算法可能会变得比较麻烦。此外,动态规划算法也存在一些常见误区,例如错用贪心思想、未考虑边界情况等。 总之,掌握动态规划算法对于LeetCode的学习和解题都非常重要。除了刷题以外,我们还可以通过阅读经典的动态规划书籍,例如《算法竞赛进阶指南》、《算法与数据结构基础》等,来深入理解这种算法思想。
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