122. 买卖股票的最佳时机 II
题目来源:力扣(LeetCode)https://leetcode-cn.com/problems/best-time-to-buy-and-sell-stock-ii/
题目
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
实现结果
思路:动态规划、贪心算法
这道题是站内股票买卖系列的题目,有兴趣的话,可以尝试相似的题目。额外提一句,题目是事先已知一支股票一段时间的价格走势,并不涉及分析预测。当然更不存在投资建议(摊手)。
现在看本题,这道题给定的数组,其中第 i i i 个元素表示给定股票第 i i i 天的价格。
题目要求设计算法计算能够获取的最大利润,这里题目提示尽可能完成更多交易,允许多次买卖一支股票。但是需要注意不能够同时参与多笔交易。
这里看示例 1 的解释,说明下 多次买卖一支股票。假如昨天买入,今天抛售获得利润;此时后续可以继续买入,然后等待抛售获取利润。
而 不能够同时参与多笔交易,这里我们可以看示例 2:
# 示例 2
输入: [1,2,3,4,5]
输出: 4
这里我们可以看到,最后一天的价格最高。但是在这里,不能够在最后一天前都买入这支股票,在最后一天同时抛售,而是必须先将手中的股票抛售后才能继续买入。这就是题目中注意的部分中提到的 不能够同时参与多笔交易。
动态规划
因为 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。
状态定义
这里,设 d p [ i ] [ 0 ] dp[i][0] dp[i][0] 表示第 i i i 天交易完成手中不持有股票的最大金额数;
设 d p [ i ] [ 1 ] dp[i][1] dp[i][1] 表示第 i i i 天交易完成后手中持有一支股票的最大金额数。
状态转移
d p [ i ] [ 0 ] dp[i][0] dp[i][0] 表示第 i i 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 i-1 i−1 天不持有股票,第 i i i 天无交易;
- 第 i − 1 i-1 i−1 天持有股票,但是第 i i i 天将其卖出,获取利润。
那么
d
p
[
i
]
[
0
]
dp[i][0]
dp[i][0] 的转移方程如下:
d
p
[
i
]
[
0
]
=
m
a
x
(
d
p
[
i
−
1
]
[
0
]
,
d
p
[
i
−
1
]
[
1
]
+
p
r
i
c
e
s
[
i
]
)
dp[i][0] = max(dp[i-1][0], dp[i-1][1]+prices[i])
dp[i][0]=max(dp[i−1][0],dp[i−1][1]+prices[i])
而 d p [ i ] [ 1 ] dp[i][1] dp[i][1] 表示第 i i 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 i-1 i−1 天持有股票,第 i i i 天无交易;
- 第 i − 1 i-1 i−1 天不持有股票,第 i i i 天买入。
此时
d
p
[
i
]
[
1
]
dp[i][1]
dp[i][1] 的转移方程如下:
d
p
[
i
]
[
1
]
=
m
a
x
(
d
p
[
i
−
1
]
[
1
]
,
d
p
[
i
−
1
]
[
0
]
−
p
r
i
c
e
s
[
i
]
)
dp[i][1] = max(dp[i-1][1], dp[i-1][0]-prices[i])
dp[i][1]=max(dp[i−1][1],dp[i−1][0]−prices[i])
状态初始化
第一天中,我们只能不交易(也就是不持有)或者以当天的价格进行买入股票(持有一支股票)。
所以 d p [ 0 ] [ 0 ] = 0 , d p [ 0 ] [ 1 ] = − p r i c e s [ 0 ] dp[0][0] = 0, dp[0][1]=-prices[0] dp[0][0]=0,dp[0][1]=−prices[0]。
现在我们就可以从前往后进行计算,而在题目给定数组限制的时间内,要获得最大利润应该要求的是 d p [ s i z e − 1 ] [ 0 ] dp[size-1][0] dp[size−1][0]。
我们知道买入股票需要先垫付金额(买入股票的价格),那么持有股票的 d p [ s i z e − 1 ] [ 1 ] dp[size-1][1] dp[size−1][1] 一定是要小于 d p [ s i z e − 1 ] [ 0 ] dp[size-1][0] dp[size−1][0]。所以要获得最大利润,应该求 d p [ s i z e − 1 ] [ 0 ] dp[size-1][0] dp[size−1][0]。
具体的代码实现如下。
class Solution:
def maxProfit(self, prices: List[int]) -> int:
size = len(prices)
# dp 数组
dp = [[0, 0] for _ in range(size)]
# 初始化
dp[0][0] = 0
dp[0][1] = -prices[0]
for i in range(1, size):
# 状态转移
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[size-1][0]
动态规划(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:
def maxProfit(self, prices: List[int]) -> int:
size = len(prices)
# 只用了两个变量记录前一天的状态值
dp0 = 0
dp1 = -prices[0]
for i in range(1, size):
# 这里维护更新两个变量
# 其中 dp1 需要用到前一天 dp0 的值,但 dp0 会先变化,这里 tmp 先进行暂存
tmp = dp0
dp0 = max(dp0, dp1+prices[i])
dp1 = max(dp1, tmp-prices[i])
return dp0
贪心算法
这里首先先要说明的是,使用贪心算法计算最大利润,其中 计算的过程并不是真正交易的过程。
假设存在数组情况如下:
[a, b, c, d]
其中 a < b < c < d
现在我们要求
d
−
a
d-a
d−a 的值,这里其实等同于:
d
−
a
=
(
b
−
a
)
+
(
c
−
b
)
+
(
d
−
c
)
d-a = (b-a) + (c-b) + (d-c)
d−a=(b−a)+(c−b)+(d−c)
也就是说第一天以
a
a
a 的价格买入,在最后一天以
d
d
d 的价格卖出,其实等同于存在利润的情况下多次交易得到的利润总和。
所以我们用贪心算法,在存在利润的情况多次进行计算,并不是题目中实际在低点买入,区间存在最大利润时卖出(也就是前面提前说明的部分)。但是这并不妨碍我们获得最终的结果。
这里具体的代码实现如下。
class Solution:
def maxProfit(self, prices: List[int]) -> int:
size = len(prices)
ans = 0
for i in range(1, size):
# 这里仅在存在利润的情况进行计算累加利润
# 也就是前后两天股票价格差大于 0 的情况
ans += max(0, prices[i]-prices[i-1])
return ans
欢迎关注
公众号 【书所集录】
如有错误,烦请指出,欢迎指点交流。