代码随想录day49
向前看
121. 买卖股票的最佳时机
思路1:贪心
思路2:动态规划
动态规划
动规五部曲分析如下:
1、确定dp数组以及下标的含义
dp[i][0] 表示第i天 持有股票 所得的最多现金 ,这里可能有同学疑惑,本题中只能买卖一次,持有股票之后哪还有现金呢?
其实一开始现金是0,那么加入第i天买入股票,现金就是-prices[i],这是一个负数。
dp[i][1]表示第i天 不持有股票 所得的最多现金。
注意这里说的是“持有”,“持有”不代表就是当天“买入”!也有可能是昨天就买入了,今天保持持有的状态
很多同学把“持有”和“买入”没分区分清楚。
在下面递推公式分析中,我会进一步讲解。
2、确定递推公式
如果第i天持有股票,即dp[i][0],那么可以由两个状态推出来
- 第i-1天就持有股票,那么就保持现状,所得的现金就是昨天持有股票的所得现金,即dp[i-1][0]
- 第i天买入股票,那么所得现金就是买入今天股票后所得现金,即 - prices[i], 那么dp[i][0]应该选所得现金最大的,所以dp[i][0] = max(dp[i-1][0], -prices[i])
如果第i天不持有股票dp[i][1],也可以由两个状态推出来。
- 第i-1天就不持有股票,那么就保持现状,所得现金就是昨天不持有股票的所得现金,即 dp[i-1][1]
- 第i天卖出股票,所得现金就是按照今天股票价格卖出去所得现金,即dp[i-1][0]+prices[i]
同样dp[i][1]取最大的,dp[i][1] = max(dp[i - 1][1], prices[i] + dp[i - 1][0]); 这样递归公式我们就分析完了
3、dp数组如何初始化
由递推公式:
dp[i][0] = max(dp[i-1][0], -prices[i])
dp[i][1] = max(dp[i-1][1], prices[i]+dp[i-1][0])
我们可以看出来,都是要从dp[0][0]和dp[0][1]推导出来。
那么dp[0][0]表示第0天持有股票,此时的持有股票一定就是买入股票了,因为不可能有前一天推导出来。所以dp[0][0] = -prices[0]
dp[0][1]表示第0天不持有股票,那么不持有股票的现金就是0。所以dp[0][1] = 0
4、确定遍历顺序
从递推公式可以看出dp[i]都是有dp[i-1]推导出来的,那么一定是从前向后遍历。
5、举例推导dp数组
以示例1,输入[7,1,5,3,6,4]为例,dp数组状态如下:
dp[0][0]:第0天持有股票的现金就是 -prices[0] = -7
dp[0][1]:第0天不持有股票的现金就是 0
dp[1][0]:第1天持有股票的现金就是 max(dp[1-1][0], -prices[1]) = -1
dp[1][1]:第1天不持有股票的现金就是 max(dp[1-1][1], prices[1]+dp[1-1][0]) = 0
dp[2][0]:第2天持有股票的现金就是 max(dp[2-1][0], -prices[2]) = -1
dp[2][1]:第2天不持有股票的现金就是 max(dp[2-1][1], prices[2]+dp[2-1][0]) = 5
以此类推......
dp[5][1]就是最终结果。为什么不是dp[5][0]呢?
因为本题中不持有股票状态所得金钱一定比持有股票状态得到的多!
以上分析完毕,Go代码如下:
func maxProfit(prices []int) int {
n := len(prices)
dp := make([][]int, n)
for i:=0;i<n;i++{
dp[i] = make([]int,2)
}
dp[0][0] = -prices[0]
dp[0][1] = 0
for i:=1;i<n;i++{
dp[i][0] = max(dp[i-1][0], -prices[i])
dp[i][1] = max(dp[i-1][1], dp[i-1][0]+prices[i])
}
return dp[n-1][1]
}
func max(a, b int) int {
if a > b {
return a
}
return b
}
122. 买卖股票的最佳时机 II
思路
本题和121. 买卖股票的最佳时机的唯一区别本题股票可以买卖多次了(注意只有一只股票,所以再次购买前要出售掉之前的股票)
在动规五部曲中,这个区别主要是体现在递推公式上,其他都和121. 买卖股票的最佳时机一样一样的。
所以我们重点讲一讲递推公式。
这里重申一下dp数组的含义:
dp[i][0]表示第i天持有股票的所得现金。
dp[i][1]表示第i天不持有股票的所得最多现金。
如果第i天持有股票即dp[i][0], 那么可以由两个状态推出来
- 第i-1天就持有股票,那么就保持现状,所得现金就是昨天持有股票的所得现金 即:dp[i - 1][0]
- 第i天买入股票,所得现金就是昨天不持有股票的所得现金减去 今天的股票价格 即:dp[i - 1][1] - prices[i]
注意这里和121. 买卖股票的最佳时机唯一不同的地方,就是推导dp[i][0]的时候,第i天买入股票的情况。
在121. 买卖股票的最佳时机中,因为股票全程只能买卖一次,所以如果买入股票,那么第i天持有股票即dp[i][0]一定就是 -prices[i]。
而本题,因为一只股票可以买卖多次,所以当第i天买入股票的时候,所持有的现金可能有之前买卖过的利润。
那么第i天持有股票即dp[i][0],如果是第i天买入股票,所得现金就是昨天不持有股票的所得现金 减去 今天的股票价格 即:dp[i - 1][1] - prices[i]。
再来看看如果第i天不持有股票即dp[i][1]的情况, 依然可以由两个状态推出来
- 第i-1天就不持有股票,那么就保持现状,所得现金就是昨天不持有股票的所得现金 即:dp[i - 1][1]
- 第i天卖出股票,所得现金就是按照今天股票佳价格卖出后所得现金即:prices[i] + dp[i - 1][0]
注意这里和121. 买卖股票的最佳时机就是一样的逻辑,卖出股票收获利润(可能是负值)天经地义!
// 买卖股票的最佳时机Ⅱ 动态规划
// 时间复杂度:O(n) 空间复杂度:O(n)
func maxProfit(prices []int) int {
dp := make([][]int, len(prices))
for i := range dp {
dp[i] = make([]int,2)
}
// dp[i][0] 表示第i天持有股票所得现金。
// dp[i][1] 表示第i天不持有股票所得最多现金
dp[0][0] = -prices[0]
dp[0][1] = 0
for i := 1; i < len(prices); i++ {
// 如果第i天持有股票即dp[i][0], 那么可以由两个状态推出来
// 第i-1天就持有股票,那么就保持现状,所得现金就是昨天持有股票的所得现金 即:dp[i - 1][0]
// 第i天买入股票,所得现金就是昨天不持有股票的所得现金减去 今天的股票价格 即:dp[i - 1][1] - prices[i]
dp[i][0] = max(dp[i - 1][0], dp[i - 1][1] - prices[i]) // 注意这里是和121. 买卖股票的最佳时机唯一不同的地方。
// 在来看看如果第i天不持有股票即dp[i][1]的情况, 依然可以由两个状态推出来
// 第i-1天就不持有股票,那么就保持现状,所得现金就是昨天不持有股票的所得现金 即:dp[i - 1][1]
// 第i天卖出股票,所得现金就是按照今天股票佳价格卖出后所得现金即:prices[i] + dp[i - 1][0]
dp[i][1] = max(dp[i - 1][1], dp[i - 1][0] + prices[i])
}
// 最终手里不持有股票才能保证收益最大化
return dp[len(prices) - 1][1]
}
func max(a, b int) int {
if a > b {
return a
}
return b
}
大家可以本题和121. 买卖股票的最佳时机的代码几乎一样,唯一的区别在:
dp[i][0] = max(dp[i - 1][0], dp[i - 1][1] - prices[i]);
这正是因为本题的股票可以买卖多次! 所以买入股票的时候,可能会有之前买卖的利润即:dp[i - 1][1],所以dp[i - 1][1] - prices[i]。
想到到这一点,对这两道题理解的比较深刻了。