<leecode 第53题>
输入一个整型数组,数组里有正数也有负数。数组中的一个或连续多个整数组成一个子数组。求所有子数组的和的最大值。
示例1:
输入: nums = [-2,1,-3,4,-1,2,1,-5,4]
输出: 6
解释: 连续子数组 [4,-1,2,1] 的和最大,为 6。
解答:
看到这种题目, 一目了然,我们第一想到的应该是穷举法, 复杂度为平方阶, 显然不是我们想要的,我们是否有时间复杂度为更小甚至为 O(n)的呢, 显然是有的
**
解法一: 分治算法
**
第一次 mid = (0 + 8) / 4
对 0 - 4 的序列进行递归求解
对5 - 8 的序列进行递归求解
,这样我们就算出来了右边序列和左边序列的最大连续子序列, 但是我们如果有一个连续的序列, 贯穿在左右之间怎么办, 所以我们也需要对中间的序列进行求解
从 index = 4开始
先往左边扩展 找到最大连续序列的和,
然后在往右边寻找, 一起便是中间的最大连续序列的和, 下面看代码
public int dfs(int[] nums, int start, int end) {
// 递归终止条件
if (start > end) {
return 0;
}
// 只有一个数时, 这个数就是最大连续序列
if (start == end) {
return nums[start];
}
// 中间下标
int mid = (start + end) / 2;
// 这个变量记录往左右扩展时的中间变量
int mid_sum = nums[mid];
// 这个记录中间序列当前的最大值
int max = mid_sum;
// 往左边扩展
for (int i = mid - 1; i >= start; i--) {
// 这个变量一直累加
mid_sum += nums[i];
// 大于则更新
if(max < mid_sum){
max = mid_sum;
}
}
// 往右边更新的时候 设置为当前左边序列的最大值
mid_sum = max;
for (int i = mid + 1; i <= end; i++) {
mid_sum += nums[i];
if(max < mid_sum){
max = mid_sum;
}
}
// 递归求解
int left = dfs(nums, start, mid);
int right = dfs(nums, mid + 1, end);
int sum = Math.max(left, right);
sum = Math.max(sum, max);
return sum;
}
**因为每次递归都是当前长度一半 所以 递归时间复杂度为logn, 因为有for循环 所以 ,总的时间复杂度为 nlogn**
解法二 动态规划算法
先定义状态 , dp[i] 表示前 下标i之前(包含i)的最大子序列的和
寻找递推关系
因为是连续子序列, 我们di[i] 必须要包含nums[i]
所以 我们就有了 当 dp[i - 1] < 0时, 前面所有数就对我们没有任何作用了。 所以dp[i] = nums[i]
如果dp[i - 1] > 0, 那么前面的序列就对我们有作用, dp[i] = dp[i - 1] + nums[i]
初始条件 很明显 dp[0] = nums[0]
public int maxSubArray(int[] nums) {
int[] dp = new int[nums.length];
dp[0] = nums[0];
int max = dp[0];
for (int i = 1; i < nums.length; i++) {
if (dp[i - 1] <= 0) {
dp[i] = nums[i];
} else {
dp[i] = dp[i - 1] + nums[i];
}
if (dp[i] > max) {
max = dp[i];
}
}
return max;
}
我们可以清晰的看出动态规划时间复杂度为 n, 是非常好的算法