1、动态规划
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。
思路:首先,给出状态转移方程:
d
p
[
i
]
=
m
a
x
(
n
u
m
s
[
i
]
,
d
p
[
i
−
1
]
+
n
u
m
s
[
i
]
)
dp[i]=max(nums[i],dp[i-1]+nums[i])
dp[i]=max(nums[i],dp[i−1]+nums[i])
dp[i]表示以num[i]结尾的最大子段和。其要么是
n
u
m
[
i
]
num[i]
num[i],要么是
d
p
[
i
−
1
]
+
n
u
m
s
[
i
]
dp[i-1]+nums[i]
dp[i−1]+nums[i]。在更新完dp数组后,在遍历一遍,求出dp数组中的最大值。(这是因为我们在第一遍更新是,只记录了以第i个元素结尾的最大子段和,所以还需遍历一遍,求出在这些最大子段和中的最大值)
class Solution {
public:
int maxSubArray(vector<int>& nums) {
//dp[i]=max(dp[i-1],dp[i-1]+nums[i])
vector<int> dp(nums.size()+1,0);
dp[0]=nums[0];
for(int i=1;i<nums.size();i++)
{
dp[i]=max(nums[i],dp[i-1]+nums[i]);
}
int Max=dp[0];
for(int i=1;i<nums.size();i++)
{
Max=max(Max,dp[i]);
}
return Max;
}
};
2、动态规划优化
第一种方法的空间复杂度为 O ( n ) O(n) O(n)。我们其实可以将时间复杂度降到为1,我们发现每次循环,dp[i]只与dp[i-1]有关,所以只需记录一个predp记录上一次的dp的值。在第一种方法中我们知道要进行第二次for循环,找出dp数组中的最大值,所以再用一个ans记录当前dp中的最大值。
class Solution {
public:
int maxSubArray(vector<int>& nums) {
int dp = nums[0], predp = nums[0];
int ans = nums[0];
for (int i = 1; i < nums.size(); i++)
{
dp = max(nums[i], predp + nums[i]);
ans = max(ans, dp);
predp = dp;
}
return Maxprice;
}
};