目录
题目描述
从一组数据(长度为 n,其中 n <= 10000,数据的值都大于 -60000)中找出连续的一段数,使得这段数的和最大。
输入描述
第一行是一个正整数 n,表示数据的个数,从第二行开始是 n 个数据。
输出描述
一行,子段的最大和。
样例输入
5
1 -3 4 1 -9
样例输出
5
方法一:暴力枚举
因为需要遍历所有的情况,优先想到暴力枚举 ,实现很简单
完整AC代码如下
#include<iostream>
using namespace std;
//连续子段的最大和,需要遍历,优先想到暴力枚举
int main()
{
int n;
cin>>n;
int a[n];
for(int i=0;i<n;i++) cin>>a[i];
int sum=0;
int max=a[0]; //max存放连续子段和的最大值
for(int i=0;i<n;i++){
sum=0; //每次有新的开头都需要更新sum的值
for(int j=i;j<n;j++){
sum=sum+a[j];
if(max<sum) max=sum;
}
}
cout<<max<<endl;
return 0;
}
max的值不能设置为0,因为可能所有的值都是负数
此方法时间复杂度为O(n²)
方法二:动态规划(dynamic programming)
因为遍历需要很大的时间复杂度,当数据量较大时会超时,因此可以采用dp来优化!
首先需要了解什么是动态规划?
动态规划原理:
动态规划是一种解决多阶段决策问题的优化方法,把多阶段过程转化为一系列单阶段问题,利用各阶段之间的关系,逐个求解。
动态规划求解的问题的一般要具有3个性质:
最优性原理:如果问题的最优解所包含的子问题的解也是最优的,就称该问题具有最优子结构,即满足最优性原理。
无后效性:即某阶段状态一旦确定,就不受这个状态以后决策的影响。也就是说,某状态以后的过程不会影响以前的状态,只与当前状态有关。
有重叠子问题:即子问题之间是不独立的,一个子问题在下一阶段决策中可能被多次使用到。(该性质并不是动态规划适用的必要条件,但是如果没有这条性质,动态规划算法同其他算法相比就不具备优势)。
实际应用中简化的步骤:
- 分析最优解的性质,并刻画其结构特征。
- 递归的定义最优解。
- 以自底向上或自顶向下的记忆化方式计算出最优值。
- 根据计算最优值时得到的信息,构造问题的最优解。
针对这题,对于含有n个元素的数组a,构造同样含有n个元素的数组dp,其中dp[i]表示前i个元素中最大连续子段的和,则dp[i-1]表示前(i-1)个元素中最大连续子段的和。
要求连续子段的最大值,对于每一个元素a[i],要么加,要么不加,不加a[i]存储在dp[i-1]中,加a[i]或者直接选择a[i]的值更大时,将值存储在dp[i]中
由此可得递归方程:
当i=0时,dp[0] = 0;
当i>0时,dp[i] = MAX { dp[i-1] + a[i] , a[i] };
最后只需找到dp数组中的最大值即可(可采用简单的for循环,也可采用STL中的sort排序)
完整AC代码如下:
#include<iostream>
#include<algorithm>
using namespace std;
int MAX(int a,int b){
return a>b?a:b;
}
int a[10005];
int dp[10005]; //dp[i]表示前i个元素中最大连续子段的和
int main(){
int n;
cin>>n;
for(int i=1;i<=n;i++)
cin>>a[i];
dp[0]=0;
for(int i=1;i<=n;i++)
dp[i]=MAX(dp[i-1]+a[i],a[i]);
sort(dp+1,dp+1+n); //也可采用简单的for循环,找出dp数组中的最大值
cout<<dp[n]<<endl;
return 0;
}
不难发现此方法的时间复杂度为O(n)
有关sort排序的用法会陆续更新,总之STL尊滴很好用!