【leetcode】152.乘积最大子数组 (动态规划详细解析，java多种方法实现）

152. 乘积最大子数组

难度中等715

给你一个整数数组 nums ，请你找出数组中乘积最大的连续子数组（该子数组中至少包含一个数字），并返回该子数组所对应的乘积。

示例 1:

输入: [2,3,-2,4]
输出: 6
解释: 子数组 [2,3] 有最大乘积 6。

示例 2:

输入: [-2,0,-1]
输出: 0
解释: 结果不能为 2, 因为 [-2,-1] 不是子数组。

分析

思路

• 这个问题很像「力扣」第 53 题：最大子序和，只不过当前这个问题求的是乘积的最大值；
• 「连续」这个概念很重要，可以参考第 53 题的状态设计，将状态设计为：以 nums[i]结尾的连续子数组的最大值；
• 类似状态设计的问题还有「力扣」第 300 题：最长上升子序列，「子数组」、「子序列」问题的状态设计的特点是：以 nums[i] 结尾，这是一个经验，可以简化讨论。

提示：以 nums[i] 结尾这件事情很重要，贯穿整个解题过程始终，请大家留意。

分析与第 53 题的差异

• 求乘积的最大值，示例中负数的出现，告诉我们这题和 53 题不一样了，一个正数乘以负数就变成负数，即：最大值乘以负数就变成了最小值；
• 因此：最大值和最小值是相互转换的，这一点提示我们可以把这种转换关系设计到「状态转移方程」里去；
• 如何解决这个问题呢？这里常见的技巧是在「状态设计」的时候，在原始的状态设计后面多加一个维度，减少分类讨论，降低解决问题的难度。

这里是百度百科的「无后效性」词条的解释：

无后效性是指如果在某个阶段上过程的状态已知，则从此阶段以后过程的发展变化仅与此阶段的状态有关，而与过程在此阶段以前的阶段所经历过的状态无关。利用动态规划方法求解多阶段决策过程问题，过程的状态必须具备无后效性。

再翻译一下就是：「动态规划」通常不关心过程，只关心「阶段结果」，这个「阶段结果」就是我们设计的「状态」。什么算法关心过程呢？「回溯算法」，「回溯算法」需要记录过程，复杂度通常较高。

而将状态定义得更具体，通常来说对于一个问题的解决是满足「无后效性」的。这一点的叙述很理论化，不熟悉朋友可以通过多做相关的问题来理解「无后效性」这个概念。

第 1 步：状态设计（特别重要）

• dp[i][j]
  

  ：以nums[i]结尾的连续子数组的最值，计算最大值还是最小值由j 来表示，j 就两个值；

  • 当 j = 0 的时候，表示计算的是最小值；
  • 当 j = 1 的时候，表示计算的是最大值。

这样一来，状态转移方程就容易写出。

第 2 步：推导状态转移方程（特别重要）

• 由于状态的设计 nums[i] 必须被选取（请大家体会这一点，这一点恰恰好也是使得子数组、子序列问题更加简单的原因：当情况复杂、分类讨论比较多的时候，需要固定一些量，以简化计算）；
• nums[i] 的正负和之前的状态值（正负）就产生了联系，由此关系写出状态转移方程：
  • 当 nums[i] > 0 时，由于是乘积关系：
    • 最大值乘以正数依然是最大值；
    • 最小值乘以同一个正数依然是最小值；
  • 当nums[i] < 0 时，依然是由于乘积关系：
    • 最大值乘以负数变成了最小值；
    • 最小值乘以同一个负数变成最大值；
  • 当 nums[i] = 0 的时候，由于 nums[i] 必须被选取，最大值和最小值都变成 00 ，合并到上面任意一种情况均成立。
• 但是，还要注意一点，之前状态值的正负也要考虑：例如，在考虑最大值的时候，当 nums[i] > 0 是，如果 dp[i - 1][1] < 0 （之前的状态最大值） ，此时 nums[i] 可以另起炉灶（这里依然是第 53 题的思想），此时 dp[i][1] = nums[i] ，合起来写就是：

dp[i][1] = max(nums[i], nums[i] * dp[i - 1][1]) if nums[i] >= 0

其它三种情况可以类似写出，状态转移方程如下：

dp[i][0] = min(nums[i], nums[i] * dp[i - 1