相关标签
- 数组
- 分治算法
- 动态规划
题目描述
给定一个整数数组 nums ,找到一个具有最大和的连续子数组(子数组最少包含一个元素),返回其最大和。
示例:
输入: [-2,1,-3,4,-1,2,1,-5,4]
输出: 6
解释: 连续子数组 [4,-1,2,1] 的和最大,为 6。
进阶:
如果你已经实现复杂度为 O(n) 的解法,尝试使用更为精妙的分治法求解。
解法1:贪心算法/动态规划(√)
动态转移方程:
f[i] = max{ nums[i] , f[i-1] + nums[i] }
初始条件:
f[0] = nums[0]
代码:
class Solution {
public int maxSubArray(int[] nums) {
int pre = 0;
int sum = nums[0];
for (int i = 0; i < nums.length; i++) {
// 如果前i项的和小于第i项的值 则将pre置为当前项的值
pre = Math.max(pre + nums[i] , nums[i]);
sum = Math.max(sum , pre);
}
return sum;
}
}
时间复杂度:O(n),空间复杂度:O(1)
执行用时:1ms
解法2:分治算法(√)
class Solution {
public int maxSubArray(int[] nums) {
return maxSubArraySum(nums, 0, nums.length-1);
}
/**
* 计算[left,right]的最大子序和
* @param nums
* @param left
* @param right
* @return
*/
public static int maxSubArraySum(int[] nums, int left, int right) {
if (left == right) {
return nums[left];
}
int mid = (left + right) / 2;
// 如果最大子序和落在mid左边,计算[left,mid]的最大子序和
int maxLeftSum = maxSubArraySum(nums, left, mid);
// 如果最大子序和落在mid右边,计算[mid+1,right]的最大子序和
int maxRightSum = maxSubArraySum(nums, mid + 1, right);
// 如果最大子序和跨中点mid
int maxMidSum = findMaxCrossingSubArray(nums, left, mid, right);
// 返回左、中、右三个值中最大值即为最大子序和
return Math.max(Math.max(maxLeftSum,maxRightSum),maxMidSum);
}
/**
* 计算跨中点mid的最大子序和,分别计算从mid到左和从mid+1到右的最大子序和相加
* @param nums
* @param left
* @param mid
* @param right
* @return
*/
public static int findMaxCrossingSubArray(int[] nums, int left, int mid, int right) {
//类似寻找最大最小值的题目,初始值一定要定义成理论上的最小最大值(可能为负数组)
// maxLeftBorderSum :从 mid 往左找到的最大子序和
// maxRightBorderSum :从 mid+1 往右找到的最大子序和
int maxLeftBorderSum = Integer.MIN_VALUE, maxRightBorderSum = Integer.MIN_VALUE, sum = 0;
for (int i = mid; i >= left; --i) {
sum +=nums[i];
maxLeftBorderSum = Math.max(maxLeftBorderSum,sum);
}
// 计算从mid+1 到right的最大子序和,sum清零
sum = 0;
for (int i = mid + 1; i <= right; ++i) {
sum+=nums[i];
maxRightBorderSum = Math.max(maxRightBorderSum,sum);
}
return maxLeftBorderSum + maxRightBorderSum;
}
}
时间复杂度:O(n),空间复杂度:O(logn)
执行用时:3ms
「解法2」相较于「解法1」来说,时间复杂度相同,但是因为使用了递归,运行的时间略长,空间复杂度也不如解法1优秀,而且难以理解。那么这种方法存在的意义是什么呢?
对于这道题而言,确实是如此的。但是仔细观察「解法2」,它不仅可以解决区间 [0, n - 1],还可以用于解决任意的子区间 [l, r] 的问题。如果我们把 [0, n - 1]分治下去出现的所有子区间的信息都用堆式存储的方式记忆化下来,即建成一颗真正的树之后,我们就可以在 O(logn) 的时间内求到任意区间内的答案,我们甚至可以修改序列中的值,做一些简单的维护,之后仍然可以在 O(logn) 的时间内求到任意区间内的答案,对于大规模查询的情况下,这种方法的优势便体现了出来。这棵树就是——线段树。