炒股的一天 💴
121. 买卖股票的最佳时机
题目描述
给定一个数组 prices
,它的第 i
个元素 prices[i]
表示一支给定股票第 i
天的价格。
你只能选择 某一天 买入这只股票,并选择在 未来的某一个不同的日子 卖出该股票。设计一个算法来计算你所能获取的最大利润。
返回你可以从这笔交易中获取的最大利润。如果你不能获取任何利润,返回 0
。
示例 1:
输入:[7,1,5,3,6,4]
输出:5
解释:在第 2 天(股票价格 = 1)的时候买入,在第 5 天(股票价格 = 6)的时候卖出,最大利润 = 6-1 = 5 。
注意利润不能是 7-1 = 6, 因为卖出价格需要大于买入价格;同时,你不能在买入前卖出股票。
示例 2:
输入:prices = [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 <= 105
0 <= prices[i] <= 104
题解
首先考虑最符合直觉的 贪心算法 :从前往后,找到“前面最小的”和“其后最大的”,求差值即可:
int maxProfit(vector<int> &prices)
{
int low = INT_MAX;
int profit = INT_MIN;
for (int price : prices) {
low = min(low, price); // 更新左边最小值
profit = max(profit, price - low); // 更新最大差值
}
return profit;
}
或者考虑 动态规划 ,其中 dp[0]
表示当前不持有股票所得的最大利润, dp[1]
表示当前持有股票所得的最大利润:
int maxProfitII(vector<int> &prices)
{
vector<int> dp = {0, -prices[0]};
for (int i = 1; i < prices.size(); ++i) {
dp[1] = max(dp[1], -prices[i]); // 当前持有股票
dp[0] = max(dp[0], dp[1] + prices[i]); // 当前不持有股票
}
return dp[0];
}
122. 买卖股票的最佳时机 II
题目描述
给你一个整数数组 prices
,其中 prices[i]
表示某支股票第 i
天的价格。
在每一天,你可以决定是否购买和/或出售股票。你在任何时候 最多 只能持有 一股 股票。你也可以先购买,然后在 同一天 出售。
返回 你能获得的 最大 利润 。
示例 1:
输入:prices = [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 。
总利润为 4 + 3 = 7 。
示例 2:
输入:prices = [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 。
总利润为 4 。
示例 3:
输入:prices = [7,6,4,3,1]
输出:0
解释:在这种情况下, 交易无法获得正利润,所以不参与交易可以获得最大利润,最大利润为 0 。
提示:
1 <= prices.length <= 3 * 1e4
0 <= prices[i] <= 1e4
题解
首先不难想到,这题可以用贪心算法,即 “尽可能低价买入,尽可能高价卖出” 。但受限于题目中任何时候最多只能持有一股的限制,这样把prices
整体考虑不好操作。
但其实我们可以把prices
分成每日的利润来看,就可以轻松使用贪心算法了!
-
考虑在第1天买入、第3天卖出:
-
这次交易的利润为:
prices[3] - prices[1]
由于题目说了可以在同一天内买入和卖出股票,故上述交易可以“插入”第二天买入又卖出的过程,即上式可以写成:
-prices[1] + (prices[2] - prices[2]) + prices[3]
,整理得(prices[3] - prices[2]) + (prices[2] - prices[1])
,这就把它分成了两天的日利润之和,此处第i天的日利润可以自然地定义为prices[i] - prices[i - 1]
-
那么以题目描述中的示例1为例,有:
prices 7 1 5 3 6 4 日利润 / -6 4 -2 3 -2 注意第一天不存在日利润。
采用贪心思想,把日利润为正的累加:4 + 3 = 7,就是最大利润了!
这样写出的代码也是相当简洁的:
int maxProfit(vector<int> &prices)
{
int profit = 0;
for (int i = 1; i < prices.size(); i++){
if (prices[i] - prices[i - 1] > 0)
profit += prices[i] - prices[i - 1];
}
return profit;
}
除此之外,我们还可以考虑用 动态规划 解决此问题,其中 dp[0]
表示当前不持有股票所得的最大利润, dp[1]
表示当前持有股票所得的最大利润:
int maxProfit(vector<int> &prices)
{
vector<int> dp = {0, -prices[0]};
for (int i = 1; i < prices.size(); ++i) {
dp[0] = max(dp[0], dp[1] + prices[i]);
dp[1] = max(dp[1], dp[0] - prices[i]);
}
return dp[0];
}
123. 买卖股票的最佳时机 III
题目描述
给定一个数组,它的第 i
个元素是一支给定的股票在第 i
天的价格。
设计一个算法来计算你所能获取的最大利润。你最多可以完成 两笔 交易。
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:prices = [3,3,5,0,0,3,1,4]
输出:6
解释:在第 4 天(股票价格 = 0)的时候买入,在第 6 天(股票价格 = 3)的时候卖出,这笔交易所能获得利润 = 3-0 = 3 。
随后,在第 7 天(股票价格 = 1)的时候买入,在第 8 天 (股票价格 = 4)的时候卖出,这笔交易所能获得利润 = 4-1 = 3 。
示例 2:
输入:prices = [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:prices = [7,6,4,3,1]
输出:0
解释:在这个情况下, 没有交易完成, 所以最大利润为 0。
示例 4:
输入:prices = [1]
输出:0
提示:
1 <= prices.length <= 105
0 <= prices[i] <= 105
题解
这题在 121. 买卖股票的最佳时机 和 122. 买卖股票的最佳时机 II 的基础上,增加了买卖股票的次数限制: 最多只能进行两次交易 。由于每次必是“先买后卖”,我首先尝试将数组整体分为两段,对应两次交易所处的时间段,然后求这两段中各进行一次交易所得利润之和(这就是普通的买卖股票问题了),最后求不同分段方式下利润最大值即可:
class Solution // 分段+普通股票规划,超时
{
private:
int simpleMax(const vector<int> &prices, int start, int end) {
int low = INT_MAX, res = 0;
for (int i = start; i < end; ++i) {
low = min(low, prices[i]);
res = max(res, prices[i] - low);
}
return res;
}
public:
int maxProfit(vector<int> &prices)
{
int res = 0;
for (int i = 0; i < prices.size(); ++i) {
int v1 = simpleMax(prices, 0, i);
int v2 = simpleMax(prices, i, prices.size());
res = max(res, v1 + v2);
}
return res;
}
};
不出所料,这种愚蠢的方法超时了 🤡
下面采用更优雅的 动态规划 解决。
对于任一天,当前的状态无外乎5种:
- 未进行过交易
- 进行了一次买入
- 进行了一次卖出(即完成了一笔交易)
- 进行了两次买入、一次卖出(即完成一笔交易后,有买入了一次)
- 进行了两次买入、两次卖出(即完成了两笔交易)
其中,第一种情况下(未进行过交易)的余额显然为0(初始值),可以不考虑。在第 i
天,剩余四种情况对应的 最大余额 分别记作 dp[i][0]
到 dp[i][3]
。接下来考虑它们各自对应的 状态转移方程 :
-
若进行了一次买入(
dp[i][0]
)- 可能是之前就买入了的,这天无操作,故余额仍是
dp[i - 1][0]
- 可能之前没买入、这天买入了,余额:
-prices[i]
所以求最大余额有:
dp[i][0] = max(dp[i - 1][0], -prices[i])
- 可能是之前就买入了的,这天无操作,故余额仍是
-
若完成了一笔交易(
dp[i][1]
)- 可能是之前就完成了的,这天无操作,余额:
dp[i - 1][1]
- 可能之前买入了,这天卖出,余额:
dp[i - 1][0] + prices[i]
最大余额:
dp[i][1] = max(dp[i - 1][1], dp[i - 1][0] + prices[i])
- 可能是之前就完成了的,这天无操作,余额:
-
若完成一笔交易后进行了一次买入(
dp[i][2]
)- 可能是之前就这样了,这天无操作,余额:
dp[i - 1][2]
- 可能之前完成了一笔交易,这天进行了一次买入,余额:
dp[i - 1][1] - prices[i]
最大余额:
dp[i][2] = max(dp[i -1][2], dp[i - 1][1] - prices[i])
- 可能是之前就这样了,这天无操作,余额:
-
若完成了两笔交易(
dp[i][3]
)- 可能之前就是这样了,这天无操作,余额:
dp[i - 1][3]
- 可能之前完成了一笔交易后又买入了,这天卖出,余额:
dp[i - 1][2] + prices[i]
最大余额:
dp[i][3] = max(dp[i - 1][3], dp[i - 1][2] + prices[i])
- 可能之前就是这样了,这天无操作,余额:
末了,选取最后一天(第 n
天)完成了一次、两次交易的情况下余额更大的那个,即 max(dp[n][1], dp[n][3])
。
都最后一天了,显然把持有的股票卖出去的情况余额会更多,所以不考虑另外两种情况了。
综上,按照动态规划经典版式写代码就可以了:
int maxProfit(vector<int> &prices)
{
vector<vector<int>> dp(prices.size(), vector<int>(4, INT_MIN / 2));
dp[0][0] = -prices[0]; // 第一天若要操作,只能买入
for (int i = 1; i < dp.size(); ++i) {
dp[i][0] = max(dp[i - 1][0], -prices[i]);
dp[i][1] = max(dp[i - 1][1], dp[i - 1][0] + prices[i]);
dp[i][2] = max(dp[i - 1][2], dp[i - 1][1] - prices[i]);
dp[i][3] = max(dp[i - 1][3], dp[i - 1][2] + prices[i]);
}
return max(0, max(dp.back()[1], dp.back()[3])); // 如果股票一直跌,不如不买
}
初始化:除了
dp[0][0]
,其他位置初始化为INT_MIN / 2
,一方面是极小数、确保正确处理前几次情况(例如,第2天最多就完成一笔交易,即dp[1][2]
和dp[1][3]
不应该存在),另一方面避免越界如果股票价格从头跌到尾,动态规划的最终结果会是负数,此时需要取0(不如一直不买)
显然,上述代码中的 dp
数组可以简化为一维的滚动数组:
int maxProfit(vector<int> &prices)
{
vector<int> dp(4, INT_MIN / 2);
dp[0] = -prices[0];
for (int i = 1; i < prices.size(); ++i) {
dp[0] = max(dp[0], -prices[i]);
dp[1] = max(dp[1], dp[0] + prices[i]);
dp[2] = max(dp[2], dp[1] - prices[i]);
dp[3] = max(dp[3], dp[2] + prices[i]);
}
return max(0, max(dp[1], dp[3]));
}