力扣刷题指南
(若有侵权会及时删除,请联系告知!)
第一题
思路分析(动态规划法)——参考官方题解
考虑到【不能同时参与多笔交易】,因此每天交易结束后只可能存在手里有一支股票或者没有股票的状态。
总共有四种可能情况,分别是:
1、前一天不持有股票,今天也不持有股票
2、前一天持有股票,今天不持有股票
3、前一天不持有股票,今天持有股票
4、前一天持有股票,今天也持有股票
定义状态
d
p
[
i
]
[
0
]
dp[i][0]
dp[i][0] 表示第
i
i
i 天交易完手里没有股票的最大利润,
d
p
[
i
]
[
1
]
dp[i][1]
dp[i][1] 表示第
i
i
i 天交易完后手里持有一支股票的最大利润(
i
i
i 从
0
0
0 开始)。
考虑
d
p
[
i
]
[
0
]
dp[i][0]
dp[i][0] 的状态转移方程,如果这一天交易完后手里没有股票,那么可能的转移状态为前一天已经没有股票,即
d
p
[
i
−
1
]
[
0
]
dp[i - 1][0]
dp[i−1][0],或者前一天结束的时候手里持有一支股票,即
d
p
[
i
−
1
]
[
1
]
dp[i -1][1]
dp[i−1][1] ,这时候我们要将其卖出,并获得
p
r
i
c
e
s
[
i
]
prices[i]
prices[i] 的收益。因此为了收益最大化,我们列出如下的状态转移方程
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])
再来考虑
d
p
[
i
]
[
1
]
dp[i][1]
dp[i][1],按照同样的方式考虑转移状态,那么可能的转移状态为前一天已经持有一支股票,即
d
p
[
i
−
1
]
[
1
]
dp[i - 1][1]
dp[i−1][1], 或者前一天结束时还没有股票,即
d
p
[
i
−
1
]
[
0
]
dp[i-1][0]
dp[i−1][0],这时候我们要将其买入,并减少
p
r
i
c
e
s
[
i
]
prices[i]
prices[i]的收益。可以列出如下的转移方程:
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])
对于初始状态,根据状态定义我们可以知道在第0天交易结束的时候
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]。
因此,我们只要从前往后依次计算状态即可。由于全部交易结束后,持有股票的收益一定低于不持有股票的收益,则
d
p
[
n
−
1
]
[
0
]
dp[n-1][0]
dp[n−1][0]的收益必定是大于
d
p
[
n
−
1
]
[
1
]
dp[n-1][1]
dp[n−1][1]的,最后的答案即为
d
p
[
n
−
1
]
[
0
]
dp[n - 1][0]
dp[n−1][0]。
示例代码
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];
}
};
注意到上边的状态转移方程中,每一天的状态都只与前一天的状态有关,而与更早的状态都无关,因此我们不必存储这些无关的状态,只需要将 d p [ i − 1 ] [ 0 ] dp[i-1][0] dp[i−1][0] 和 d p [ i − 1 ] [ 1 ] dp[i-1][1] dp[i−1][1] 存放在两个变量中,通过它们计算出 d p [ i ] [ 0 ] dp[i][0] dp[i][0] 和 d p [ i ] [ 1 ] dp[i][1] dp[i][1] 并存回对应的变量,以便于第 i + 1 i + 1 i+1天的状态转移即可。
示例代码
class Solution {
public:
int maxProfit(vector<int>& prices) {
int n = prices.size();
//int dp[n][2];
int dp0 = 0, dp1 = -prices[0];
//dp[0][0] = 0 , dp[0][1] = -prices[0];
for(int i = 1; i < n; i++)
{
dp0 = max(dp0,dp1 + prices[i]);
dp1 = max(dp1,dp0 - prices[i]);
}
return dp0;
}
};
复杂度分析
- 时间复杂度: O ( n ) , O(n), O(n),,其中n为数组的长度。一共有 2 n 2n 2n 个状态,每次状态转移的时间复杂度为 O ( 1 ) O(1) O(1),因此时间复杂度为 O ( 2 n ) = O ( n ) O(2n)=O(n) O(2n)=O(n)。
- 空间复杂度: O ( n ) O(n) O(n)。我们需要开辟 O ( n ) O(n) O(n) 空间存储动态规划中的所有状态。如果使用空间优化,空间复杂度可以优化到 O ( 1 ) O(1) O(1)。
思路分析(贪心算法)
因为交易次数不受限,如果可以把所有的上坡全部收集到,一定是利益最大化的。
示例代码
class Solution {
public:
int maxProfit(vector<int>& prices) {
int ans = 0;
int n = prices.size();
for (int i = 1; i < n; ++i) {
ans += max(0, prices[i] - prices[i - 1]);
}
return ans;
}
};
复杂度分析
- 时间复杂度: O ( n ) O(n) O(n),其中n为数组的长度。
- 空间复杂度: O ( 1 ) O(1) O(1)。