题目描述
给定一个数组,它的第 i 个元素是一支给定股票第 i 天的价格。
设计一个算法来计算你所能获取的最大利润。你可以尽可能地完成更多的交易(多次买卖一支股票)。
注意: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)。
示例 1:
输入: [7,1,5,3,6,4]
输出: 7
解释: 在第 2 天(股票价格 = 1)的时候买入,在第 3 天(股票价格 = 5)的时候卖出, 这笔交易所能获得利润 = 5-1 = 4 。
随后,在第 4 天(股票价格 = 3)的时候买入,在第 5 天(股票价格 = 6)的时候卖出, 这笔交易所能获得利润 = 6-3 = 3 。
示例 2:
输入: [1,2,3,4,5]
输出: 4
解释: 在第 1 天(股票价格 = 1)的时候买入,在第 5 天 (股票价格 = 5)的时候卖出, 这笔交易所能获得利润 = 5-1 = 4 。
注意你不能在第 1 天和第 2 天接连购买股票,之后再将它们卖出。
因为这样属于同时参与了多笔交易,你必须在再次购买前出售掉之前的股票。
示例 3:
输入: [7,6,4,3,1]
输出: 0
解释: 在这种情况下, 没有交易完成, 所以最大利润为 0。
提示:
1 <= prices.length <= 3 * 10 ^ 4
0 <= prices[i] <= 10 ^ 4
方法一:贪心算法
贪心算法本质为在每一步总是做出在当前看来最好的选择。
这道题「贪心」的地方在于,对于「明天的股价 - 今天的股价」,得到的结果有3种可能:正数、0、负数。贪心算法的决策是:只加正数。
解题步骤:
- 令temp为第i日买入与第 i+1 日卖出赚取的利润,即 temp = prices[i+1] - prices[i] ;
- 当该天利润为正 temp > 0,则将利润加入总利润 res;当利润为 0 或为负,则直接跳过;
- 遍历完成后,返回总利润 res。
具体实现代码如下:
class Solution {
public:
int maxProfit(vector<int>& prices) {
int res = 0;
for(int i=0;i<prices.size()-1;++i) {
int temp = prices[i+1] - prices[i];
if(temp>0) res += temp;
}
return res;
}
};
复杂度分析:
时间复杂度:O(N),这里N表示股价数组的长度;
空间复杂度:O(1)。
AC结果:
方法二:动态规划
题目中规定不能够同时参与多笔交易,那么当天交易完成后,手中持有股票只可能是 0 支或者 1 支。这里我们可以使用动态规划的思路来解决。
第 1 步:定义状态
- 令 dp[i][0] 表示第 i 天交易完成手中不持有股票的最大金额数;
- 令 dp[i][1] 表示第 i 天交易完成后手中持有一支股票的最大金额数。
第 2 步:状态转移方程
dp[i][0] 表示第 i 天交易完成手中不持有股票的最大金额数,出现这样的情况可能是:
- 第 i−1 天不持有股票,第 i 天无交易;
- 第 i−1 天持有股票,但是第 i 天将其卖出,获取利润。
那么 dp[i][0] 的转移方程如下:
dp[i][0]=max(dp[i−1][0],dp[i−1][1]+prices[i])
而 dp[i][1] 表示第 i 天交易完成后手中持有一支股票的最大金额数,同样可能出现的情况如下:
- 第 i−1 天持有股票,第 i 天无交易;
- 第 i−1 天不持有股票,第 i 天买入。
此时 dp[i][1] 的转移方程如下:
dp[i][1]=max(dp[i−1][1],dp[i−1][0]−prices[i])
第 3 步:确定初始值
起始的时候:
- 如果什么都不做,dp[0][0] = 0;
- 如果持有股票,当前拥有的现金数是当天股价的相反数,即 dp[0][1] = -prices[i];
第 4 步:确定输出值
终止的时候,上面也分析了,输出 dp[len - 1][0],因为一定有 dp[len - 1][0] > dp[len - 1][1]。
具体实现代码如下:
class Solution {
public:
int maxProfit(vector<int>& prices) {
int n = prices.size();
int dp[n][2];
dp[0][0] = 0, dp[0][1] = -prices[0];
for (int i = 1; i < n; ++i) {
dp[i][0] = max(dp[i-1][0], dp[i-1][1] + prices[i]);
dp[i][1] = max(dp[i-1][1], dp[i-1][0] - prices[i]);
}
return dp[n-1][0];
}
};
AC结果:
优化:
在前面的方法中,我们可以发现当天的状态值只与前一天的状态值有关。那么这里可以进行优化,用两个变量来存储前一天的状态值,用以计算后面一天状态值。然后去维护更新这两个变量。
具体的代码实现如下:
class Solution {
public:
int maxProfit(vector<int>& prices) {
int n = prices.size();
int dp0 = 0, dp1 = -prices[0];
for (int i = 1; i < n; ++i) {
int newDp0 = max(dp0, dp1 + prices[i]);
int newDp1 = max(dp1, dp0 - prices[i]);
dp0 = newDp0;
dp1 = newDp1;
}
return dp0;
}
};
复杂度分析:
- 时间复杂度:O(N),这里N表示股价数组的长度;
- 空间复杂度:O(1),分别使用两个滚动变量,将一维数组状态优化到常数大小。
AC结果: