121. 买卖股票的最佳时机
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
Related Topics
-
数组
-
动态规划
思路
贪心算法
因为股票就买卖一次,那么贪心的想法很自然就是取最左最小值,取最右最大值,那么得到的差值就是最大利润。
public int maxProfit(int[] prices) {
int low = Integer.MAX_VALUE;
int res = 0;
for (int i = 0; i < prices.length; i++) {
low = Math.min(low, prices[i]);
res = Math.max(res, prices[i] - low);
}
return res;
}
- 时间复杂度:O(n)
- 空间复杂度:O(1)
动态规划
动态规划五部曲
- 确定dp数组(dp table)以及下标的含义
dp[i] [0] 表示第i天持有股票所得最多现金 ,这里可能有同学疑惑,本题中只能买卖一次,持有股票之后哪还有现金呢?
其实一开始现金是0,那么加入第i天买入股票现金就是 -prices[i], 这是一个负数。
dp[i] [1] 表示第i天不持有股票所得最多现金
注意这里说的是“持有”,“持有”不代表就是当天“买入”!也有可能是昨天就买入了,今天保持持有的状态
很多同学把“持有”和“买入”没区分清楚。
- 确定递推公式
如果第i天持有股票即dp[i] [0], 那么可以由两个状态推出来
- 第i-1天就持有股票,那么就保持现状,所得现金就是昨天持有股票的所得现金 即:dp[i - 1] [0]
- 第i天买入股票,所得现金就是买入今天的股票后所得现金即:-prices[i]
那么dp[i] [0]应该选所得现金最大的,所以dp[i] [0] = max(dp[i - 1] [0], -prices[i]);
如果第i天不持有股票即dp[i] [1], 也可以由两个状态推出来
- 第i-1天就不持有股票,那么就保持现状,所得现金就是昨天不持有股票的所得现金 即:dp[i - 1] [1]
- 第i天卖出股票,所得现金就是按照今天股票价格卖出后所得现金即:prices[i] + dp[i - 1] [0]
同样dp[i] [1]取最大的,dp[i] [1] = max(dp[i - 1] [1], prices[i] + dp[i - 1] [0]);
- dp数组如何初始化
由递推公式 dp[i] [0] = max(dp[i - 1] [0], -prices[i]); 和 dp[i] [1] = max(dp[i - 1] [1], prices[i] + dp[i - 1] [0]);可以看出
其基础都是要从dp[0] [0]和dp[0] [1]推导出来。
那么dp[0] [0]表示第0天持有股票,此时的持有股票就一定是买入股票了,因为不可能有前一天推出来,所以dp[0] [0] -= prices[0];
dp[0] [1]表示第0天不持有股票,不持有股票那么现金就是0,所以dp[0] [1] = 0;
- 确定遍历顺序
从递推公式可以看出dp[i]都是由dp[i - 1]推导出来的,那么一定是从前向后遍历。
- 举例推导dp数组
以示例1,输入:[7,1,5,3,6,4]为例,dp数组状态如下:
dp[5] [1]就是最终结果。
为什么不是dp[5] [0]呢?
因为本题中不持有股票状态所得金钱一定比持有股票状态得到的多!
public int maxProfit(int[] prices) {
if (prices == null || prices.length == 0) {
return 0;
}
int[][] dp = new int[prices.length][2];
//定义dp[i][0]代表第i天持有股票的最大收益
dp[0][0] = -prices[0];
dp[0][1] = 0;
for (int i = 1; i < prices.length; i++) {
//定义当天持有股票的最大收益
//第i-1天就持有股票,那么就保持现状,所得现金就是昨天持有股票的所得现金 即:dp[i - 1] [0]
//第i天买入股票,所得现金就是买入今天的股票后所得现金即:-prices[i]
dp[i][0] = Math.max(dp[i - 1][0], -prices[i]);
//第i-1天就不持有股票,那么就保持现状,所得现金就是昨天不持有股票的所得现金 即:dp[i - 1] [1]
//第i天卖出股票,所得现金就是按照今天股票价格卖出后所得现金即:prices[i] + dp[i - 1] [0]
dp[i][1] = Math.max(dp[i - 1][0] + prices[i], dp[i - 1][1]);
}
return dp[prices.length - 1][1];
}
public int maxProfit(int[] prices) {
if (prices == null || prices.length == 0) {
return 0;
}
int[][] dp = new int[prices.length][2];
//定义dp[i][0]代表第i天持有股票的最大收益
dp[0][0] = -prices[0];
dp[0][1] = 0;
for (int i = 1; i < prices.length; i++) {
//定义当天持有股票的最大收益
//第i-1天就持有股票,那么就保持现状,所得现金就是昨天持有股票的所得现金 即:dp[i - 1] [0]
//第i天买入股票,所得现金就是买入今天的股票后所得现金即:-prices[i]
dp[i][0] = Math.max(dp[i - 1][0], -prices[i]);
//第i-1天就不持有股票,那么就保持现状,所得现金就是昨天不持有股票的所得现金 即:dp[i - 1] [1]
//第i天卖出股票,所得现金就是按照今天股票价格卖出后所得现金即:prices[i] + dp[i - 1] [0]
dp[i][1] = Math.max(dp[i - 1][0] + prices[i], dp[i - 1][1]);
}
return dp[prices.length - 1][1];
}
- 时间复杂度:O(n)
- 空间复杂度:O(n)
使用两层二维滚动数组
public int maxProfit(int[] prices) {
if (prices == null || prices.length == 0) {
return 0;
}
int[][] dp = new int[2][2];
//定义dp[i][0]代表第i天持有股票的最大收益
dp[0][0] = -prices[0];
dp[0][1] = 0;
for (int i = 1; i < prices.length; i++) {
//定义当天持有股票的最大收益
//第i-1天就持有股票,那么就保持现状,所得现金就是昨天持有股票的所得现金 即:dp[i - 1] [0]
//第i天买入股票,所得现金就是买入今天的股票后所得现金即:-prices[i]
dp[i % 2][0] = Math.max(dp[(i - 1) % 2][0], -prices[i]);
//第i-1天就不持有股票,那么就保持现状,所得现金就是昨天不持有股票的所得现金 即:dp[i - 1] [1]
//第i天卖出股票,所得现金就是按照今天股票价格卖出后所得现金即:prices[i] + dp[i - 1] [0]
dp[i % 2][1] = Math.max(dp[(i - 1) % 2][0] + prices[i], dp[(i - 1) % 2][1]);
}
return dp[(prices.length - 1) % 2][1];
}
- 时间复杂度:O(n)
- 空间复杂度:O(1)
122.买卖股票的最佳时机II
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。
最大总利润为 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。
最大总利润为 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 * 104
0 <= prices[i] <= 104
Related Topics
-
贪心
-
数组
-
动态规划
思路
本题和121. 买卖股票的最佳时机 (opens new window)的唯一区别是本题股票可以买卖多次了(注意只有一只股票,所以再次购买前要出售掉之前的股票)
在动规五部曲中,这个区别主要是体现在递推公式上,其他都和121. 买卖股票的最佳时机 (opens new window)一样一样的。
所以我们重点讲一讲递推公式。
这里重申一下dp数组的含义:
- dp[i] [0] 表示第i天持有股票所得现金。
- dp[i] [1] 表示第i天不持有股票所得最多现金
如果第i天持有股票即dp[i] [0], 那么可以由两个状态推出来
- 第i-1天就持有股票,那么就保持现状,所得现金就是昨天持有股票的所得现金 即:dp[i - 1] [0]
- 第i天买入股票,所得现金就是昨天不持有股票的所得现金减去 今天的股票价格 即:dp[i - 1] [1] - prices[i]
注意这里和121. 买卖股票的最佳时机 (opens new window)唯一不同的地方,就是推导dp[i] [0]的时候,第i天买入股票的情况。
在121. 买卖股票的最佳时机 (opens new window)中,因为股票全程只能买卖一次,所以如果买入股票,那么第i天持有股票即dp[i][0]一定就是 -prices[i]。
而本题,因为一只股票可以买卖多次,所以当第i天买入股票的时候,所持有的现金可能有之前买卖过的利润。
那么第i天持有股票即dp[i] [0],如果是第i天买入股票,所得现金就是昨天不持有股票的所得现金 减去 今天的股票价格 即:dp[i - 1] [1] - prices[i]。
再来看看如果第i天不持有股票即dp[i] [1]的情况, 依然可以由两个状态推出来
- 第i-1天就不持有股票,那么就保持现状,所得现金就是昨天不持有股票的所得现金 即:dp[i - 1] [1]
- 第i天卖出股票,所得现金就是按照今天股票价格卖出后所得现金即:prices[i] + dp[i - 1] [0]
注意这里和121. 买卖股票的最佳时机 (opens new window)就是一样的逻辑,卖出股票收获利润(可能是负值)天经地义!
public int maxProfit(int[] prices) {
if (prices == null || prices.length == 0) {
return 0;
}
int[][] dp = new int[prices.length][2];
//持有第一个股票
dp[0][0] = -prices[0];
//不持有当前股票
dp[0][1] = 0;
for (int i = 1; i < prices.length; i++) {
//持有当前股票
//昨天持有,今天继续持有;
//昨天不持有,今天开始持有
dp[i][0] = Math.max(dp[i - 1][0], dp[i - 1][1] - prices[i]);
//不持有当前股票
//昨天持有,今天不持有
//昨天不持有,今天也不持有
dp[i][1] = Math.max(dp[i - 1][0] + prices[i], dp[i - 1][1]);
}
return dp[prices.length - 1][1];
}
- 时间复杂度:O(n)
- 空间复杂度:O(n)
123.买卖股票的最佳时机III
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
Related Topics
-
数组
-
动态规划
思路
这道题目相对 121.买卖股票的最佳时机 (opens new window)和 122.买卖股票的最佳时机II (opens new window)难了不少。
关键在于至多买卖两次,这意味着可以买卖一次,可以买卖两次,也可以不买卖。
接来下我用动态规划五部曲详细分析一下:
- 确定dp数组以及下标的含义
一天一共就有五个状态,
- 没有操作 (其实我们也可以不设置这个状态)
- 第一次持有股票
- 第一次不持有股票
- 第二次持有股票
- 第二次不持有股票
dp[i] [j]中 i表示第i天,j为 [0 - 4] 五个状态,dp[i] [j]表示第i天状态j所剩最大现金。
需要注意:dp[i] [1],表示的是第i天,买入股票的状态,并不是说一定要第i天买入股票,这是很多同学容易陷入的误区。
例如 dp[i] [1] ,并不是说 第i天一定买入股票,有可能 第 i-1天 就买入了,那么 dp[i] [1] 延续买入股票的这个状态。
- 确定递推公式
达到dp[i] [1]状态,有两个具体操作:
- 操作一:第i天买入股票了,那么dp[i] [1] = dp[i-1] [0] - prices[i]
- 操作二:第i天没有操作,而是沿用前一天买入的状态,即:dp[i] [1] = dp[i - 1] [1]
那么dp[i] [1]究竟选 dp[i-1] [0] - prices[i],还是dp[i - 1] [1]呢?
一定是选最大的,所以 dp[i] [1] = max(dp[i-1] [0] - prices[i], dp[i - 1] [1]);
同理dp[i] [2]也有两个操作:
- 操作一:第i天卖出股票了,那么dp[i] [2] = dp[i - 1] [1] + prices[i]
- 操作二:第i天没有操作,沿用前一天卖出股票的状态,即:dp[i] [2] = dp[i - 1] [2]
所以dp[i] [2] = max(dp[i - 1] [1] + prices[i], dp[i - 1] [2])
同理可推出剩下状态部分:
dp[i] [3] = max(dp[i - 1] [3], dp[i - 1] [2] - prices[i]);
dp[i] [4] = max(dp[i - 1] [4], dp[i - 1] [3] + prices[i]);
- dp数组如何初始化
第0天没有操作,这个最容易想到,就是0,即:dp[0] [0] = 0;
第0天做第一次买入的操作,dp[0] [1] = -prices[0];
第0天做第一次卖出的操作,这个初始值应该是多少呢?
此时还没有买入,怎么就卖出呢? 其实大家可以理解当天买入,当天卖出,所以dp[0] [2] = 0;
第0天第二次买入操作,初始值应该是多少呢?应该不少同学疑惑,第一次还没买入呢,怎么初始化第二次买入呢?
第二次买入依赖于第一次卖出的状态,其实相当于第0天第一次买入了,第一次卖出了,然后再买入一次(第二次买入),那么现在手头上没有现金,只要买入,现金就做相应的减少。
所以第二次买入操作,初始化为:dp[0] [3] = -prices[0];
同理第二次卖出初始化dp[0] [4] = 0;
- 确定遍历顺序
从递归公式其实已经可以看出,一定是从前向后遍历,因为dp[i],依靠dp[i - 1]的数值。
- 举例推导dp数组
以输入[1,2,3,4,5]为例
大家可以看到红色框为最后两次卖出的状态。
现在最大的时候一定是卖出的状态,而两次卖出的状态现金最大一定是最后一次卖出。如果想不明白的录友也可以这么理解:如果第一次卖出已经是最大值了,那么我们可以在当天立刻买入再立刻卖出。所以dp[4] [4]已经包含了dp[4] [2]的情况。也就是说第二次卖出手里所剩的钱一定是最多的。
所以最终最大利润是dp[4] [4]
public int maxProfit(int[] prices) {
int[][] dp = new int[prices.length][5];
//初始化dp数组
//第0天没有操作
dp[0][0] = 0;
//第0天第一次买入
dp[0][1] = -prices[0];
//第0天第一次卖出
dp[0][2] = 0;
//第0天第二次买入
dp[0][3] = -prices[0];
//第0天第二次卖出
dp[0][4] = 0;
for (int i = 1; i < prices.length; i++) {
//当天没有操作
dp[i][0] = dp[i - 1][0];
//当天第一次买入
//第一种情况:上一天没有买入
//第二种情况:沿用上一天买入的情况
dp[i][1] = Math.max(dp[i - 1][0] - prices[i], dp[i - 1][1]);
//当天第一次卖出
//第一种情况,上一天没有卖出股票
//第二种情况,沿用上一天已经卖出的情况
dp[i][2] = Math.max(dp[i - 1][1] + prices[i], dp[i - 1][2]);
//当天第二次买入
//第一种情况:上一天没有买入
//第二种情况:沿用上一天买入的情况
dp[i][3] = Math.max(dp[i - 1][2] - prices[i], dp[i - 1][3]);
dp[i][4] = Math.max(dp[i - 1][3] + prices[i], dp[i - 1][4]);
}
return dp[prices.length - 1][4];
}
- 时间复杂度:O(n)
- 空间复杂度:O(n × 5)