代码随想录训练第三十六天|LeetCode188.买卖股票的最佳时机IV、LeetCode309.最佳买卖股票时机含冷冻期、LeetCode714.买卖股票的最佳时机含手续费

最新推荐文章于 2024-08-05 15:41:47 发布

君君超有趣

最新推荐文章于 2024-08-05 15:41:47 发布

阅读量458

点赞数 10

分类专栏：代码随想录文章标签： leetcode 动态规划 java 数据结构算法

本文链接：https://blog.csdn.net/weixin_60364343/article/details/140899791

版权

代码随想录专栏收录该内容

39 篇文章 0 订阅

订阅专栏

188.买卖股票的最佳时机IV

给你一个整数数组 prices 和一个整数 k ，其中 prices[i] 是某支给定的股票在第 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 k 笔交易。也就是说，你最多可以买 k 次，卖 k 次。

**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：k = 2, prices = [2,4,1]
输出：2
解释：在第 1 天 (股票价格 = 2) 的时候买入，在第 2 天 (股票价格 = 4) 的时候卖出，这笔交易所能获得利润 = 4-2 = 2 。

示例 2：

输入：k = 2, prices = [3,2,6,5,0,3]
输出：7
解释：在第 2 天 (股票价格 = 2) 的时候买入，在第 3 天 (股票价格 = 6) 的时候卖出, 这笔交易所能获得利润 = 6-2 = 4 。
     随后，在第 5 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 。

提示：

1 <= k <= 100
1 <= prices.length <= 1000
0 <= prices[i] <= 1000

思路

动规五部曲，分析如下：

确定dp数组以及下标的含义

在动态规划：123.买卖股票的最佳时机III (opens new window)中，我是定义了一个二维dp数组，本题其实依然可以用一个二维dp数组。

使用二维数组 dp[i] [j] ：第i天的状态为j，所剩下的最大现金是dp[i] [j]

j的状态表示为：

0 表示不操作
1 第一次买入
2 第一次卖出
3 第二次买入
4 第二次卖出
…

大家应该发现规律了吧，除了0以外，偶数就是卖出，奇数就是买入。

题目要求是至多有K笔交易，那么j的范围就定义为 2 * k + 1 就可以了。

int[][] dp = new int[prices.length][k * 2 + 1];

确定递推公式

还要强调一下：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。

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]

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])

同理可以类比剩下的状态，代码如下：

        for (int j = 0; j < k * 2 - 1; j += 2) {
            dp[i][j + 1] = Math.max(dp[i - 1][j + 1], dp[i - 1][j] - prices[i]);
            dp[i][j + 2] = Math.max(dp[i - 1][j + 2], dp[i - 1][j + 1] + 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，然后在买入一次（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];

第二次卖出初始化dp[0] [4] = 0;

所以同理可以推出dp[0] [j]当j为奇数的时候都初始化为 -prices[0]

	//初始化dp数组
    for (int i = 1; i < k * 2; i += 2) {
        dp[0][i] = -prices[0];
    }

在初始化的地方同样要类比j为偶数是卖、奇数是买的状态。

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]，k=2为例。

188.买卖股票的最佳时机IV

最后一次卖出，一定是利润最大的，dp[prices.size() - 1] [2 * k]即红色部分就是最后求解。

public int maxProfit(int k, int[] prices) {
    if (prices == null || prices.length == 0) {
        return 0;
    }
    int[][] dp = new int[prices.length][k * 2 + 1];
    //初始化dp数组
    for (int i = 1; i < k * 2; i += 2) {
        dp[0][i] = -prices[0];
    }
    for (int i = 1; i < prices.length; i++) {
        for (int j = 0; j < k * 2 - 1; j += 2) {
            dp[i][j + 1] = Math.max(dp[i - 1][j + 1], dp[i - 1][j] - prices[i]);
            dp[i][j + 2] = Math.max(dp[i - 1][j + 2], dp[i - 1][j + 1] + prices[i]);
        }
    }
    return dp[prices.length - 1][k * 2];
}

时间复杂度: O(n * k)，其中 n 为 prices 的长度
空间复杂度: O(n * k)

309.最佳买卖股票时机含冷冻期

给定一个整数数组 prices，其中第 prices[i] 表示第 *i* 天的股票价格。

设计一个算法计算出最大利润。在满足以下约束条件下，你可以尽可能地完成更多的交易（多次买卖一支股票）:

卖出股票后，你无法在第二天买入股票 (即冷冻期为 1 天)。

**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 = [1,2,3,0,2]
输出: 3 
解释: 对应的交易状态为: [买入, 卖出, 冷冻期, 买入, 卖出]

示例 2:

输入: prices = [1]
输出: 0

提示：

1 <= prices.length <= 5000
0 <= prices[i] <= 1000

思路

相对于动态规划：122.买卖股票的最佳时机II (opens new window)，本题加上了一个冷冻期

在动态规划：122.买卖股票的最佳时机II (opens new window)中有两个状态，持有股票后的最多现金，和不持有股票的最多现金。

动规五部曲，分析如下：

确定dp数组以及下标的含义

dp[i] [j]，第i天状态为j，所剩的最多现金为dp[i] [j]。

其实本题很多同学搞的比较懵，是因为出现冷冻期之后，状态其实是比较复杂度，例如今天买入股票、今天卖出股票、今天是冷冻期，都是不能操作股票的。

具体可以区分出如下四个状态：

状态一：持有股票状态（今天买入股票，或者是之前就买入了股票然后没有操作，一直持有）
不持有股票状态，这里就有两种卖出股票状态
- 状态二：保持卖出股票的状态（两天前就卖出了股票，度过一天冷冻期。或者是前一天就是卖出股票状态，一直没操作）
- 状态三：今天卖出股票
状态四：今天为冷冻期状态，但冷冻期状态不可持续，只有一天！

j的状态为：

0：状态一
1：状态二
2：状态三
3：状态四

很多题解为什么讲的比较模糊，是因为把这四个状态合并成三个状态了，其实就是把状态二和状态四合并在一起了。

从代码上来看确实可以合并，但从逻辑上分析合并之后就很难理解了，所以我下面的讲解是按照这四个状态来的，把每一个状态分析清楚。

如果大家按照代码随想录顺序来刷的话，会发现买卖股票最佳时机 1，2，3，4 的题目讲解中

「今天卖出股票」我是没有单独列出一个状态的归类为「不持有股票的状态」，而本题为什么要单独列出「今天卖出股票」一个状态呢？

因为本题我们有冷冻期，而冷冻期的前一天，只能是「今天卖出股票」状态，如果是「不持有股票状态」那么就很模糊，因为不一定是卖出股票的操作。

如果没有按照代码随想录顺序去刷的录友，可能看这里的讲解会有点困惑，建议把代码随想录本篇之前股票内容的讲解都看一下，领会一下每天状态的设置。

注意这里的每一个状态，例如状态一，是持有股票股票状态并不是说今天一定就买入股票，而是说保持买入股票的状态即：可能是前几天买入的，之后一直没操作，所以保持买入股票的状态。

确定递推公式

达到买入股票状态（状态一）即：dp[i] [0]，有两个具体操作：

操作一：前一天就是持有股票状态（状态一），dp[i] [0] = dp[i - 1] [0]
操作二：今天买入了，有两种情况
- 前一天是冷冻期（状态四），dp[i - 1] [3] - prices[i]
- 前一天是保持卖出股票的状态（状态二），dp[i - 1] [1] - prices[i]

那么dp[i] [0] = max(dp[i - 1] [0], dp[i - 1] [3] - prices[i], dp[i - 1] [1] - prices[i]);

达到保持卖出股票状态（状态二）即：dp[i] [1]，有两个具体操作：

操作一：前一天就是状态二
操作二：前一天是冷冻期（状态四）

dp[i] [1] = max(dp[i - 1] [1], dp[i - 1] [3]);

达到今天就卖出股票状态（状态三），即：dp[i] [2] ，只有一个操作：

昨天一定是持有股票状态（状态一），今天卖出

即：dp[i] [2] = dp[i - 1] [0] + prices[i];

达到冷冻期状态（状态四），即：dp[i] [3]，只有一个操作：

昨天卖出了股票（状态三）

dp[i] [3] = dp[i - 1] [2];

        //状态1:买入股票
        //操作1:前一天就是股票持有的状态
        //操作2:今天才买入股票
        dp[i][0] = Math.max(dp[i - 1][0], Math.max(dp[i - 1][3] - prices[i], dp[i - 1][1] - prices[i]));
        //状态2:保持卖出股票
        //操作1:前一天就是卖出股票的状态
        //操作2:前一年是冷冻期
        dp[i][1] = Math.max(dp[i - 1][1], dp[i - 1][3]);
        //状态3:今天卖出股票
        //操作1:昨天一定是持有股票的状态,今天卖出
        dp[i][2] = dp[i - 1][0] + prices[i];
        //状态4:达到冷冻期
        //操作1:昨天卖出了股票
        dp[i][3] = dp[i - 1][2];

dp数组如何初始化

这里主要讨论一下第0天如何初始化。

如果是持有股票状态（状态一）那么：dp[0] [0] = -prices[0]，一定是当天买入股票。

保持卖出股票状态（状态二），这里其实从「状态二」的定义来说，很难明确应该初始多少，这种情况我们就看递推公式需要我们给他初始成什么数值。

如果i为1，第1天买入股票，那么递归公式中需要计算 dp[i - 1] [1] - prices[i] ，即 dp[0] [1] - prices[1]，那么大家感受一下 dp[0] [1] （即第0天的状态二）应该初始成多少，只能初始为0。想一想如果初始为其他数值，是我们第1天买入股票后手里还剩的现金数量是不是就不对了。

今天卖出了股票（状态三），同上分析，dp[0] [2]初始化为0，dp[0] [3]也初始为0。

确定遍历顺序

从递归公式上可以看出，dp[i] 依赖于 dp[i-1]，所以是从前向后遍历。

举例推导dp数组

以 [1,2,3,0,2] 为例，dp数组如下：

309.最佳买卖股票时机含冷冻期

最后结果是取状态二，状态三，和状态四的最大值，不少同学会把状态四忘了，状态四是冷冻期，最后一天如果是冷冻期也可能是最大值。

public int maxProfit(int[] prices) {
    if (prices.length == 0 || prices == null) {
        return 0;
    }
    int[][] dp = new int[prices.length][4];
    //dp数组初始化
    dp[0][0] = -prices[0];
    for (int i = 1; i < prices.length; i++) {
        //状态1:买入股票
        //操作1:前一天就是股票持有的状态
        //操作2:今天才买入股票
        dp[i][0] = Math.max(dp[i - 1][0], Math.max(dp[i - 1][3] - prices[i], dp[i - 1][1] - prices[i]));
        //状态2:保持卖出股票
        //操作1:前一天就是卖出股票的状态
        //操作2:前一年是冷冻期
        dp[i][1] = Math.max(dp[i - 1][1], dp[i - 1][3]);
        //状态3:今天卖出股票
        //操作1:昨天一定是持有股票的状态,今天卖出
        dp[i][2] = dp[i - 1][0] + prices[i];
        //状态4:达到冷冻期
        //操作1:昨天卖出了股票
        dp[i][3] = dp[i - 1][2];
    }
    return Math.max(dp[prices.length - 1][3], Math.max(dp[prices.length - 1][1], dp[prices.length - 1][2]));
}

时间复杂度：O(n)
空间复杂度：O(n)

当然，空间复杂度可以优化，定义一个dp[2] [4]大小的数组就可以了，就保存前一天的当前的状态，感兴趣的同学可以自己去写一写，思路是一样的。

714.买卖股票的最佳时机含手续费

给定一个整数数组 prices，其中 prices[i]表示第 i 天的股票价格；整数 fee 代表了交易股票的手续费用。

你可以无限次地完成交易，但是你每笔交易都需要付手续费。如果你已经购买了一个股票，在卖出它之前你就不能再继续购买股票了。

返回获得利润的最大值。

**注意：**这里的一笔交易指买入持有并卖出股票的整个过程，每笔交易你只需要为支付一次手续费。

示例 1：

输入：prices = [1, 3, 2, 8, 4, 9], fee = 2
输出：8
解释：能够达到的最大利润:  
在此处买入 prices[0] = 1
在此处卖出 prices[3] = 8
在此处买入 prices[4] = 4
在此处卖出 prices[5] = 9
总利润: ((8 - 1) - 2) + ((9 - 4) - 2) = 8

示例 2：

输入：prices = [1,3,7,5,10,3], fee = 3
输出：6

提示：

1 <= prices.length <= 5 * 104
1 <= prices[i] < 5 * 104
0 <= fee < 5 * 104

思路

本题使用贪心算法并不好理解，也很容易出错，那么我们再来看看是使用动规的方法如何解题。

相对于动态规划：122.买卖股票的最佳时机II (opens new window)，本题只需要在计算卖出操作的时候减去手续费就可以了，代码几乎是一样的。

唯一差别在于递推公式部分，所以本篇也就不按照动规五部曲详细讲解了，主要讲解一下递推公式部分。

这里重申一下dp数组的含义：

dp[i] [0] 表示第i天持有股票所省最多现金。 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]

所以：dp[i] [0] = max(dp[i - 1] [0], dp[i - 1] [1] - prices[i]);

在来看看如果第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，注意这里需要有手续费了即：dp[i - 1] [0] + prices[i] - fee

所以：dp[i] [1] = max(dp[i - 1] [1], dp[i - 1] [0] + prices[i] - fee);

本题和动态规划：122.买卖股票的最佳时机II (opens new window)的区别就是这里需要多一个减去手续费的操作。

public int maxProfit(int[] prices, int fee) {
    if (prices.length == 0 || prices == null) {
        return 0;
    }
    int[][] dp = new int[prices.length][2];
    //初始化dp数组
    dp[0][0] = -prices[0];
    for (int i = 1; i < prices.length; i++) {
        //状态1:持有股票
        //操作1:继续持有股票
        //操作2:今天买入股票
        dp[i][0] = Math.max(dp[i - 1][0], dp[i - 1][1] - prices[i]);
        //状态2:不持有股票
        //操作1:继续不持有股票
        //操作2:卖出股票
        dp[i][1] = Math.max(dp[i - 1][1], dp[i - 1][0] + prices[i] - fee);
    }
    return dp[prices.length - 1][1];
}

时间复杂度：O(n)
空间复杂度：O(n)

君君超有趣

关注

10
点赞
踩
6

收藏

觉得还不错? 一键收藏
0
评论
代码随想录训练第三十六天|LeetCode188.买卖股票的最佳时机IV、LeetCode309.最佳买卖股票时机含冷冻期、LeetCode714.买卖股票的最佳时机含手续费

如果i为1，第1天买入股票，那么递归公式中需要计算 dp[i - 1] [1] - prices[i] ，即 dp[0] [1] - prices[1]，那么大家感受一下 dp[0] [1] （即第0天的状态二）应该初始成多少，只能初始为0。那么dp[i] [0] = max(dp[i - 1] [0], dp[i - 1] [3] - prices[i], dp[i - 1] [1] - prices[i]);dp[i] [0] 表示第i天持有股票所省最多现金。第0天第二次买入操作，初始值应该是多少呢？
复制链接

扫一扫

专栏目录