目录
LeetCode122. 买卖股票的最佳时机
LeetCode122. 链接: 122. 买卖股票的最佳时机 II - 力扣(LeetCode)
1. 思路
本题首先要清楚两点:
- 只有一只股票!
- 当前只有买股票或者卖股票的操作
想获得利润至少要两天为一个交易单元,这道题目可能我们只会想,选一个低的买入,在选个高的卖,在选一个低的买入.....循环反复。
如果想到其实最终利润是可以分解的,那么本题就很容易了!
如何分解呢?
假如第0天买入,第3天卖出,那么利润为:prices[3] - prices[0]。相当于(prices[3] - prices[2]) + (prices[2] - prices[1]) + (prices[1] - prices[0]);
此时就是把利润分解为每天为单位的维度,而不是从0天到第3天整体去考虑!
那么根据prices可以得到每天的利润序列:(prices[i] - prices[i - 1]).....(prices[1] - prices[0]);
注意: 一些同学陷入:第一天怎么就没有利润呢,第一天到底算不算的困惑中。第一天当然没有利润,至少要第二天才会有利润,所以利润的序列比股票序列少一天!
贪心算法:我们需要收集每天的正利润就可以
从图中可以发现,其实我们需要收集每天的正利润就可以,收集正利润的区间,就是股票买卖的区间,而我们只需要关注最终利润,不需要记录区间。
那么只收集正利润就是贪心所贪的地方!
局部最优:收集每天的正利润,全局最优:求得最大利润。
局部最优可以推出全局最优,找不出反例,试一试贪心!
2. 代码实现
在代码实现中,其实并不需要真的创建一个“每天的利润”的数组,只需要在遍历原来的数组上,计算出从第二天开始的利润,并且如果是正数的话就加到result变量中去即可;具体代码实现如下:
# 贪心算法
# time:O(N);space:O(1)
class Solution(object):
def maxProfit(self, prices):
"""
:type prices: List[int]
:rtype: int
"""
result = 0
# 从第二天开始,才有利润
for i in range(1,len(prices)):
# 如果利润小于0,不统计
# 利润大于0,才统计
result += max(0,prices[i]-prices[i-1])
return result
3. 复杂度分析
时间复杂度:O(N);
需要遍历prices数组一次;
空间复杂度:O(1)
只有常数个变量来记录;
4. 思考与收获
-
股票问题其实是一个系列的,属于动态规划的范畴,因为目前在讲解贪心系列,所以股票问题会在之后的动态规划系列中详细讲解;
-
可以看出有时候,贪心往往比动态规划更巧妙,更好用,所以别小看了贪心算法;
-
本题中理解利润拆分是关键点! 不要整块的去看,而是把整体利润拆为每天的利润;一旦想到这里了,很自然就会想到贪心了,即:只收集每天的正利润,最后稳稳的就是最大利润了;
-
(二刷再看)动态规划做法:
class Solution: def maxProfit(self, prices: List[int]) -> int: length = len(prices) dp = [[0] * 2 for _ in range(length)] dp[0][0] = -prices[0] dp[0][1] = 0 for i in range(1, length): dp[i][0] = max(dp[i-1][0], dp[i-1][1] - prices[i]) #注意这里是和121. 买卖股票的最佳时机唯一不同的地方 dp[i][1] = max(dp[i-1][1], dp[i-1][0] + prices[i]) return dp[-1][1]
- 时间复杂度:O(n)
- 空间复杂度:O(n)
Reference:代码随想录 (programmercarl.com)
本题学习时间:20分钟。
LeetCode55. 跳跃游戏
LeetCode55. 链接:55. 跳跃游戏 - 力扣(LeetCode)
1. 思路
把问题转换的更简单一点?
刚看到本题一开始可能想:当前位置元素如果是3,我究竟是跳一步呢,还是两步呢,还是三步呢,究竟跳几步才是最优呢?其实跳几步无所谓,关键在于可跳的覆盖范围!
不一定非要明确一次究竟跳几步,每次取最大的跳跃步数,这个就是可以跳跃的覆盖范围。这个范围内,别管是怎么跳的,反正一定可以跳过来。那么这个问题就转化为跳跃覆盖范围究竟可不可以覆盖到终点!
贪心算法怎么贪心呢?
每次移动取最大跳跃步数(得到最大的覆盖范围),每移动一个单位,就更新最大覆盖范围。
贪心算法局部最优解:每次取最大跳跃步数(取最大覆盖范围),整体最优解:最后得到整体最大覆盖范围,看是否能到终点。
局部最优推出全局最优,找不出反例,试试贪心!如图:
具体代码实现思路
i每次移动只能在cover的范围内移动,每移动一个元素,cover得到该元素数值(新的覆盖范围)的补充,让i继续移动下去;
而cover每次只取 max(该元素数值补充后的范围, cover本身范围),如果cover大于等于了终点下标,直接return true就可以了。
2. 代码实现
# 贪心解法
# time:O(N);space:O(1)
class Solution(object):
def canJump(self, nums):
"""
:type nums: List[int]
:rtype: bool
"""
# 只有一个元素,就是能达到
if len(nums) == 1: return True
cur = 0
cover = 0
# python不支持动态修改for循环中变量,使用while循环代替
# 注意这里是小于等于cover
while cur <= cover:
cover = max(cover, nums[cur]+cur)
# 说明可以覆盖到终点了
if cover >= len(nums)-1:
return True
cur += 1
return False
3. 复杂度分析
时间复杂度:O(N);
需要遍历数组一次;
空间复杂度:O(1)
只有常数个变量来记录;
4. 思考与收获
-
我自己写的时候犯了一个错误,感觉值得记录:
# 错误示例 class Solution(object): def canJump(self, nums): if len(nums) == 1: return True cur = 0 cover = nums[0] while cur <= cover: # cur+1这一行只能放在while循环的最后一句 # 因为当cur=cover进入循环之后,马上又+1 # 会让cur跑到cover外面去 # 所以应该是执行下面的逻辑之前,需要保证cur在cover范围内的 cur += 1 cover = max(cover, nums[cur]+cur) if cover >= len(nums)-1: return True return False
cur+1这一行只能放在while循环的最后一句;因为当cur=cover进入循环之后,马上又+1;会让cur跑到cover外面去; 所以应该是执行下面的逻辑之前,需要保证cur在cover范围内的;
-
这道题目关键点在于:不用拘泥于每次究竟跳跳几步,而是看覆盖范围,覆盖范围内一定是可以跳过来的,不用管是怎么跳的;大家可以看出思路想出来了,代码还是非常简单的;
-
讲贪心系列的时候,题目和题目之间貌似没有什么联系?是真的就是没什么联系,因为贪心无套路!没有个整体的贪心框架解决一些列问题,只能是接触各种类型的题目锻炼自己的贪心思维!
Reference:代码随想录 (programmercarl.com)
本题学习时间:40分钟。
LeetCode45. 跳跃游戏II
1. 思路
本题相对于 LeetCode55.跳跃游戏 还是难了不少。但思路是相似的,还是要看最大覆盖范围;本题要计算最小步数,那么就要想清楚什么时候步数才一定要加一呢?
贪心的思路,局部最优:当前可移动距离尽可能多走,如果还没到终点,步数再加一。整体最优:一步尽可能多走,从而达到最小步数。
思路虽然是这样,但在写代码的时候还不能真的就能跳多远跳远,那样就不知道下一步最远能跳到哪里了。
所以真正解题的时候,要从覆盖范围出发,不管怎么跳,覆盖范围内一定是可以跳到的,以最小的步数增加覆盖范围,覆盖范围一旦覆盖了终点,得到的就是最小步数!
这里需要统计两个覆盖范围,当前这一步的最大覆盖和下一步最大覆盖。
如果移动下标达到了当前这一步的最大覆盖最远距离了,还没有到终点的话,那么就必须再走一步来增加覆盖范围,直到覆盖范围覆盖了终点。
图中覆盖范围的意义在于,只要红色的区域,最多两步一定可以到!(不用管具体怎么跳,反正一定可以跳到)
2. 代码实现
方法一
从图中可以看出来,就是移动下标达到了当前覆盖的最远距离下标时,步数就要加一,来增加覆盖距离。最后的步数就是最少步数。
这里还是有个特殊情况需要考虑,当移动下标达到了当前覆盖的最远距离下标时
- 如果当前覆盖最远距离下标不是是集合终点,步数就加一,还需要继续走。
- 如果当前覆盖最远距离下标就是是集合终点,步数不用加一,因为不能再往后走了。
class Solution(object):
def jump(self, nums):
"""
:type nums: List[int]
:rtype: int
"""
if len(nums) == 1: return 0
ans = 0 # 记录走的最大步数
curDistance = 0 # 当前覆盖最远距离下标
nextDistance = 0 # 下一步覆盖最远距离下标
for i in range(len(nums)):
# 更新下一步覆盖最远距离下标
nextDistance = max(i + nums[i], nextDistance)
# 遇到当前覆盖最远距离下标
if i == curDistance:
# 如果当前覆盖最远距离下标不是终点
if curDistance != len(nums) - 1:
# 需要走下一步
ans += 1
# 更新当前覆盖最远距离下标(相当于加油了)
curDistance = nextDistance
# 下一步的覆盖范围已经可以达到终点,结束循环
if nextDistance >= len(nums) - 1: break
# 当前覆盖最远距离下标是集合终点,不用做ans++操作了,直接结束
return ans
方法二
依然是贪心,思路和方法一差不多,代码可以简洁一些。
针对于方法一的特殊情况,可以统一处理,即:移动下标只要遇到当前覆盖最远距离的下标,直接步数加一,不考虑是不是终点的情况。
想要达到这样的效果,只要让移动下标,最大只能移动到nums.size - 2的地方就可以了。
因为当移动下标指向nums.size - 2时:
- 如果移动下标等于当前覆盖最大距离下标, 需要再走一步(即ans++),因为最后一步一定是可以到的终点。(题目假设总是可以到达数组的最后一个位置),如图:
- 如果移动下标不等于当前覆盖最大距离下标,说明当前覆盖最远距离就可以直接达到终点了,不需要再走一步。如图:
实现代码如下:
# 贪心版本二
class Solution:
def jump(self, nums: List[int]) -> int:
if len(nums) == 1:
return 0
curDistance, nextDistance = 0, 0
step = 0
for i in range(len(nums)-1):
nextDistance = max(nextDistance, nums[i]+i)
if i == curDistance:
curDistance = nextDistance
step += 1
return step
可以看出版本二的代码相对于版本一简化了不少!
其精髓在于控制移动下标i只移动到nums.size() - 2的位置,所以移动下标只要遇到当前覆盖最远距离的下标,直接步数加一,不用考虑别的了。
3. 复杂度分析
时间复杂度:O(N);
需要遍历数组一次;
空间复杂度:O(1)
只有常数个变量来记录;
4. 思考与收获
- 这道题目相当于LeetCode55.跳跃游戏难了不止一点;但代码又十分简单,贪心就是这么巧妙;
- 理解本题的关键在于:以最小的步数增加最大的覆盖范围,直到覆盖范围覆盖了终点,这个范围内最小步数一定可以跳到,不用管具体是怎么跳的,不纠结于一步究竟跳一个单位还是两个单位;
Reference:代码随想录 (programmercarl.com)
本题学习时间:120分钟。
本篇学习时间约为3小时,总结字数5000+;是贪心算法相关的三道题,贪心算法没有什么固定的套路,只能多做一些题目,积累贪心算法的思路和经验。(求推荐!)