1、题目描述:
2、题解:
动态规划:
动态规划问题,弄清楚三点:
1、重复子问题;
2、最优子结构;
3、无后效性。
动态规划:
1、状态定义;
2、状态转移方程;
3、初始化;base case
4、输出;
5、思考状态压缩。
可以用递归去求,但是会存在重叠子问题,加个备忘录可以解决重复问题。
思路:
状态定义:
dp[i][0]:以 nums[i] 结尾的连续子数组乘积的最小值
dp[i][1]:以 nums[i] 结尾的连续子数组乘积的最大值
状态转移方程:
一次遍历:
如果nums[i] > 0:
dp[i][0] = min(dp[i - 1][0] * nums[i],nums[i]),
最小值是上个状态的最小值与nums[i]的乘积,与nums[i]的最小值
dp[i][1] = max(dp[i - 1][1] * nums[i],nums[i])
最大值是上个状态的最大值与nums[i]的乘积,与nums[i]的最大值
如果nums[i] <= 0:
与上面的状态转移方程相反,
dp[i][0] = min(dp[i-1][1] * nums[i],nums[i])
最小值是上个状态的最大值与nums[i]的乘积,与nums[i]的最小值
dp[i][1] = max(dp[i-1][0] * nums[i],nums[i])
最大值是上个状态的最小值与nums[i]的乘积,与nums[i]的最大值
更新res
初始化:
dp[0][0] = dp[0][1] = nums[0],解释:以nums[0]结尾的连续子数组的乘积的最大值和最小值都是nums[0]
Python代码如下:
class Solution:
def maxProduct(self, nums: List[int]) -> int:
# 动态规划
lens = len(nums)
if lens == 0:
return 0
if lens == 1:
return nums[0]
# dp[i][0]:以 nums[i] 结尾的连续子数组的最小值
# dp[i][1]:以 nums[i] 结尾的连续子数组的最大值
dp = [[0] * 2 for _ in range(lens)]
dp[0][0] = nums[0]
dp[0][1] = nums[0]
res = dp[0][1]
for i in range(1,lens):
if nums[i] >= 0:
dp[i][0] =min(dp[i-1][0] * nums[i],nums[i])
dp[i][1] = max(dp[i-1][1] * nums[i],nums[i])
else:
dp[i][0] = min(dp[i-1][1] * nums[i],nums[i])
dp[i][1] = max(dp[i-1][0] * nums[i],nums[i])
res = max(res,dp[i][1])
return res
状态压缩:
上面的空间复杂度为O(N),可以进一步把空间缩为O(1)
也即,令imax,imin分别为以nums[i]为结尾的连续子数组的成绩的最大值和最小值
class Solution:
def maxProduct(self, nums: List[int]) -> int:
#动态规划,节省空间
res = float('-inf')
imax,imin = 1,1
for i in range(len(nums)):
if nums[i] < 0:
imax,imin = imin,imax
imax = max(imax * nums[i],nums[i])
imin = min(imin * nums[i],nums[i])
res = max(res,imax)
return res
3、复杂度分析:
时间复杂度:O(N)
空间复杂度:O(N)