1.最大子序和
leetcode 53. 最大子序和,是经典动态规划问题。题目要求给定一个整数数组 nums ,找到一个具有最大和的连续子数组(子数组最少包含一个元素),返回其最大和。如[-2,1,-3,4,-1,2,1,-5,4],连续子数组为[4,-1,2,1]和最大为6。
动态规划问题主要是写成转移方程,该题要做的选择是dp[i]要选择当前的nums值还是选择dp[i-1]+nums[i],是上一步加上当前nums更大还是目前的nums更大。
算法流程:
- 动态规划遍历数组,构造dp矩阵
- dp[i-1] >= 0,可以把 nums[i] 直接接在 dp[i - 1] 的后面
- dp[i - 1] < 0,则加上前面的数反而越来越小了,于是进行更新,单独的一个 nums[i]就是 dp[i]
def maxSubArray(nums):
if not nums: return 0
dp = [0]*len(nums)
dp[0] = nums[0]
for i in range(1, len(nums)):
dp[i] = max(nums[i], dp[i-1] + nums[i])
return max(dp)
2.乘积最大子数组
leetcode 152. 乘积最大子数组,该题要求:给定一个整数数组 nums ,找出数组中乘积最大的连续子数组,并返回该子数组所对应的乘积。
该题与最大子序和比较像,是同一类DP问题,但是需要注意一个问题,负负为正,最大的乘上负数变成最小、而最小的乘上负数变最大,例如[-2, 4, -3],-2*4本是最小的,但是遇到-3就变成了最大的。所以我们不能丢弃最小值,因为它没准就成了最大值。
算法流程:
- 遍历数组,构造二维dp矩阵,分别保存最大值和最小值
- 分别记录得到的最大值、最小值,以及和nums[i]的比较,是否需要另起炉灶;如对于最大值,dp[i-1]<0,nums[i]>0,此时乘上不如不乘,需另起炉灶从nums[i]开始
- 返回最大值
def maxProduct(nums):
if not nums: return 0
dp = [[0]*2 for _ in range(len(nums))] #二维矩阵分别记录最大、最小值
dp[0][0], dp[0][1] = nums[0], nums[0]
res = nums[0]
for i in range(1, len(nums)):
dp[i][0] = max(dp[i-1][0]*nums[i], nums[i], dp[i-1][1]*nums[i])
dp[i][1] = min(dp[i-1][0]*nums[i], nums[i], dp[i-1][1]*nums[i])
res = max(res, dp[i][0])
return res
当然,我们不需要一直去维护dp矩阵,只需要一直记录最大、最小值即可。优化如下:
def maxProduct(nums):
if not nums: return 0
maxp = nums[0]
minp = nums[0]
res = nums[0]
for i in range(1, len(nums)):
t = maxp
maxp = max(maxp*nums[i], nums[i], minp*nums[i])
minp = min(t*nums[i], nums[i], minp*nums[i]) #这里必须用t,因为上一步maxp发生了变化
res = max(res, maxp)
return res