309. 最佳买卖股票时机含冷冻期
难度中等
给定一个整数数组,其中第 i 个元素代表了第 i 天的股票价格 。
设计一个算法计算出最大利润。在满足以下约束条件下,你可以尽可能地完成更多的交易(多次买卖一支股票):
- 你不能同时参与多笔交易(你必须在再次购买前出售掉之前的股票)。
- 卖出股票后,你无法在第二天买入股票 (即冷冻期为 1 天)。
示例:
输入: [1,2,3,0,2]
输出: 3
解释: 对应的交易状态为: [买入, 卖出, 冷冻期, 买入, 卖出]
说明:
- 这篇题解对状态的定义和状态转移可能有一些别扭;
- 我定义下的冷冻期只能从昨天不持股转化而来;
- 如果觉得不好理解的朋友,可以看看题解的评论区,不要纠结我的定义和状态转移的推导(这里含有一些主观的因素),只要是状态定义准确(全程保持一致),状态转移方程正确即可,具体的细节和理解上不一定跟我一样,以能通过系统测评为准。
补充:
- 解决股票系列问题,需要用到「动态规划」的无后效性这个概念,简单来说就是状态定义越具体,状态转移方程就越好得到。但是有的时候也不是越具体越好的,需要根据具体问题具体分析;
- 股票系列问题还可以借助「状态机」这个概念来完成,据说是更简单的,大家可以在股票系列问题的题解区和评论区找到相关知识的介绍。
这道题增加了冷冻期这样一个条件,也没有限制多少笔交易。因此只需要增加一个状态(表示当前这一天处在「冷冻期」)即可。注意:这里是增加一个状态,不是增加一维状态。
第一步:状态定义
dp[i][j]
表示 [0, i]
区间内,在下标为 i
这一天状态为 j
时的最大收益。
这里 j
取三个值:
0
表示不持股;1
表示持股;2
表示处在冷冻期。
第二步:状态转移方程
- 不持股可以由这两个状态转换而来:
- 昨天不持股,今天什么都不操作,仍然不持股;
- 昨天持股,今天卖了一股。
- 持股可以由这两个状态转换而来:
- 昨天持股,今天什么都不操作,仍然持股;
- 昨天处在冷冻期,今天买了一股;
- 处在冷冻期只可以由不持股转换而来,因为题目中说,刚刚把股票卖了,需要冷冻 1 天。
上面的分析可以用下面这张图表示:
与之前股票问题的不同之处只在于:从不持股状态不能直接到持股状态,得经过一个冷冻期,才能到持股状态。
第三步:思考初始化
在第 0 天,不持股的初始化值为 0
,持股的初始化值为 -prices[0]
(表示购买了一股),虽然不处于冷冻期,但是初始化的值可以为 0
。
第四步:思考输出
每一天都由前面几天的状态转换而来,最优值在最后一天。取不持股和冷冻期的最大者。
参考代码 1:
- Java
public class Solution {
public int maxProfit(int[] prices) {
int len = prices.length;
// 特判
if (len < 2) {
return 0;
}
int[][] dp = new int[len][3];
// 初始化
dp[0][0] = 0;
dp[0][1] = -prices[0];
dp[0][2] = 0;
for (int i = 1; i < len; i++) {
dp[i][0] = Math.max(dp[i - 1][0], dp[i - 1][1] + prices[i]);
dp[i][1] = Math.max(dp[i - 1][1], dp[i - 1][2] - prices[i]);
dp[i][2] = dp[i - 1][0];
}
return Math.max(dp[len - 1][0], dp[len - 1][2]);
}
}
复杂度分析:
- 时间复杂度:O(N),这里 N 是股价数组的长度,只遍历了一次;
- 空间复杂度:O(N)。
第五步:思考空间优化
由于当前天只参考了昨天的状态值,因此可以考虑使用「滚动数组」。
参考代码 2:
- Java
public class Solution {
public int maxProfit(int[] prices) {
int len = prices.length;
// 特判
if (len < 2) {
return 0;
}
int[][] dp = new int[2][3];
dp[0][0] = 0;
dp[0][1] = -prices[0];
dp[0][2] = 0;
for (int i = 1; i < len; i++) {
dp[i & 1][0] = Math.max(dp[(i - 1) & 1][0], dp[(i - 1) & 1][1] + prices[i]);
dp[i & 1][1] = Math.max(dp[(i - 1) & 1][1], dp[(i - 1) & 1][2] - prices[i]);
dp[i & 1][2] = dp[(i - 1) & 1][0];
}
return Math.max(dp[(len - 1) & 1][0], dp[(len - 1) & 1][2]);
}
}
复杂度分析:
- 时间复杂度:O(N),这里 NN 是股价数组的长度,只遍历了一次;
- 空间复杂度:O(1),状态数组里元素的个数是常数。
由于状态值就 3 个,并且只关心最后 1 天的状态值,还可以使用滚动变量的方式把状态表格优化到一行。
参考代码 3:
- Java
public class Solution {
public int maxProfit(int[] prices) {
int len = prices.length;
// 特判
if (len < 2) {
return 0;
}
int[] dp = new int[3];
// 初始化
dp[0] = 0;
dp[1] = -prices[0];
dp[2] = 0;
int preCash = dp[0];
int preStock = dp[1];
for (int i = 1; i < len; i++) {
dp[0] = Math.max(preCash, preStock + prices[i]);
dp[1] = Math.max(preStock, dp[2] - prices[i]);
dp[2] = preCash;
preCash= dp[0];
preStock = dp[1];
}
return Math.max(dp[0], dp[2]);
}
}
复杂度分析:
- 时间复杂度:O(N),这里 NN 是股价数组的长度,只遍历了一次;
- 空间复杂度:O(1),状态数组里元素的个数是常数。