视频讲解:
121.买卖股票的最佳时机
思路:寻找全局最大间隔,对于不满足后大前小的地方,直接继承前一位置的状态。
// 时间复杂度O(n)
// 空间复杂度O(n)
class Solution {
public int maxProfit(int[] prices) {
// 思路就是保存全局最大的间隔,但这个间隔是由i位置之后的内容所创造的
if(prices.length == 0 || prices == null)
return 0;
int n = prices.length;
// dp数组的含义是前i+1天所能取得的最大收益
int[] dp = new int[n];
int in = 0; //购入股票的下标
dp[0] = 0;
for(int i=1; i<n; i++){
if(prices[i] < prices[in]){
in = i;
dp[i] = dp[i-1]; // 本来此处应该是赋值为0,表示此处为新购入
}
else
dp[i] = Math.max(dp[i-1], prices[i]-prices[in]);
}
return dp[n-1];
}
}
122. 买卖股票的最佳时机||
思路:二维dp在递推公式上与 买卖股票的最佳时机I 有这不同,是dp[i-1][0]-prices[i]替代-prices[i]这个过程, 其实本质就是-prices[i]表示的dp[i-1][0]总是零,即模拟出了总是第一次买入,而没有其他买入所带来的收益。而去两题针对dp[i][1]取max都是喜欢买的价格尽可能的小或者减少利润的消耗。
// 时间复杂度O(n)
// 空间复杂度O(n)和O(2n)
class Solution {
public int maxProfit(int[] prices) {
// 使用贪心策略
// int benefit = 0;
// for(int i=0; i<prices.length; i++){
// if(i+1<prices.length && prices[i+1] > prices[i])
// benefit += prices[i+1]-prices[i];
// }
// return benefit;
// 使用动态规划策略
int n=prices.length;
int[][] dp = new int[n][2];
// dp[i][0] 表示不持有股票的最大收益
// dp[i][1] 表示持有股票的最大收益
dp[0][0] = 0;
dp[0][1] = -prices[0]; // 由于可以多次买入,所以这里可以直接赋值为-prices[0]
for(int i=1; i<n; 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][0]-prices[i]);
}
return dp[n-1][0];
// 时间复杂度O(n)
// 空间复杂度O(2n)
// 使用动态规划策略
int n=prices.length;
int[][] dp = new int[n][2];
// dp[i][0] 表示不持有股票的最大收益
// dp[i][1] 表示持有股票的最大收益
dp[0][0] = 0;
dp[0][1] = -prices[0]; // 由于可以多次买入,所以这里可以直接赋值为-prices[0]
for(int i=1; i<n; 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][0]-prices[i]);
}
return dp[n-1][0];
}
}