[算法]最大子列和问题

最新推荐文章于 2021-11-09 09:55:35 发布

(´•༝•`)

最新推荐文章于 2021-11-09 09:55:35 发布

阅读量163

点赞数 1

分类专栏：算法文章标签：算法数据结构动态规划

本文链接：https://blog.csdn.net/weixin_45806722/article/details/104016503

版权

算法专栏收录该内容

4 篇文章 0 订阅

订阅专栏

该博客探讨了如何解决最大子列和问题，分别介绍了分治法、分析法和动态规划法，并阐述了各自的时间复杂度。通过示例序列说明了问题，最后给出了动态规划法的解决方案，其时间复杂度为O(n)。

摘要由CSDN通过智能技术生成

题目概述
给定 $K$ 个整数组成的序列{ $N_1, N_2, …, N_K$ }，“连续子列”被定义为{ $N_i,N_{i+1}, …, N_j$ }，其中 $1 \leq i \leq j \leq K$ 。“最大子列和”被定义为所有连续子列元素的和中最大者。例如给定序列{ $- 2, 11, - 4, 13, - 5, - 2$ }，其连续子列{ $11$ , $- 4$ , $13$ }有最大的和 $20$ 。现要求你编写程序，计算给定整数序列的最大子列和。

输入格式
第一行输入正整数 $K$ ( $1≤K≤10^6$ )；
第二行输入 $K$ 个整数，中间以空格分隔。
输出格式
在一行中输出最大子列和。

输入样例
$6$
$- 2$ $11$ $- 4$ $13$ $- 5$ $- 2$
输出样例
$20$

解决方法

分治法
取数列的中间点 $a{[\frac i2]}$ ，那么最大子列的位置有三种情况：
（1）完全在左半边数组
（2）完全在右半边数组
（3）跨立在中间点两侧
若最大子列的位置为（1）或（2），可以利用递归解决。
若最大子列的位置为（3），则求中间点左半边数组的最大后缀与右半边数组的最大前缀。
时间复杂度： $O (n l o g n)$

int MaxSubArray(vector<int> a, int from, int to) {
	if (from == to) {
		return a[from];
	}
	int middle = (from + to) / 2;
	int maxSum1 = MaxSubArray(a, from, middle);
	int maxSum2 = MaxSubArray(a, middle + 1, to);
	/*求左边数组的最大后缀*/
	int currSum_left = a[middle], maxSum_left = a[middle];
	for (int i = middle - 1; i >= from; i--) {
		currSum_left += a[i];
		if (currSum_left > maxSum_left) {
			maxSum_left = currSum_left;
		}
	}
	/*求右边数组的最大前缀*/
	int currSum_right = a[middle + 1], maxSum_right = a[middle + 1];
	for (int i = middle + 2; i <= to; i++) {
		currSum_right += a[i];
		if (currSum_right > maxSum_right) {
			maxSum_right = currSum_right;
		}
	}
	int maxSum3 = maxSum_left + maxSum_right;
	return max(maxSum1, maxSum2, maxSum3);
}

分析法
记数组的前缀和 $p [i] = a [0] + a [1] + . . . + a [i]$
则子列和 $s [j + 1, i] = p [i] - p [j]$
$i : 0 \to n - 1$
计算数组的前缀和 $p [i]$
$i : 0 \to n - 1$
求出 $m i n = m i n (p [0], p [1], . . . p [i])$
则 $p [i] - m 即为以 a [i]$ 结尾的数组的最大子列和
时间复杂度 $O (n)$

int MaxSubArray(vector<int> a) {
	vector<int> p(a.size());
	p[0] = a[0];
	for (int i = 1; i < p.size(); i++) {
		p[i] = p[i - 1] + a[i];
	}
	int min = 0, maxSum = p[0];
	for (int i = 0; i < p.size(); i++) {
		if (p[i] < min) {
			min = p[i];
		}
		if (p[i] - min > maxSum) {
			maxSum = p[i] - min;
		}
	}
	return maxSum;
}

动态规划法
记 $S [i]$ 为以 $a [i]$ 结尾的数组的最大子列和
则 $S [i + 1] = m a x (S [i] + a [i + 1], a [i + 1])$
时间复杂度 $O (n)$

int MaxSubArray(vector<int> a) {
	int maxSum = a[0];
	int currSum = a[0];
	for (int i = 1; i < a.size(); i++) {
		if (currSum + a[i] > a[i]) {
			currSum += a[i];
		}
		else {
			currSum = a[i];
		}
		if (currSum > maxSum) {
			maxSum = currSum;
		}
	}
	return maxSum;
}