最大子序列和问题的解

前言：此问题是著名的《数据结构与算法分析》第二章算法导论的第一个例子，用来阐释算法性能有优劣之分。当输入量的规模在很小的量级，只要问题能得到解决便已达到目的，伴随解决问题所花费的时间空间显得微乎其微。而当输入量的规模极其庞大，成百上千万时，算法性能的好坏便显得尤为重要，在问题解决的同时，坏算法花费几个月几年的时间，并且花费了电脑所有的内存，好算法在几秒内解决问题。这就是算法性能优劣的重要性的体现。在下面的例子中举出四种解法，所花费的时间由长到短，可以直观的展示好坏算法的优劣之处。

问题描述：给定整数A1，A2,...,AN（可能有负数），求的最大值（为方便期间，如果所有整数均为负数，则最大子序列和为0）。

例：输入-2，11，-4，13，-5，-2，答案为20（从A2到A4）。

解法1：枚举法O（n3）

当没有思路时，逻辑最简单也是最花时间的方法就是枚举法。解体关键是“最大”和“子序列”，“最大”意味着列举所有的序列情况依次和人为设置的MaxSum比较，比它大则将值赋给MaxSum,最终得到的MaxSum就是所有情况中最大的。“子序列”是给定数组中x个连续的数组成的序列，x取值范围从1到N。解法一，使用了三层for循环来枚举，则时间复杂度为O（n3），i，j为子序列的左右界，ThisSum是当前子序列的和。ThisSum=A[i]+...+A[j]。k是为了从i加到j的一个局部变量。

解法二：枚举法改良版O（n2）

枚举法简单在于解题者不用多想以最粗暴的方法解题，而花时间在于进行了大量的重复计算，因此不是一个优秀的算法。我们发现解法一中的第三层循环可以不要，每确定一组i，j（i<=j）都要通过for循环计算子序列的和。我们改进为 ，这样就能省略一个for循环来降低时间复杂度。

解法三：枚举法终极版O（n）

由于子序列的左右界 i，j是不固定的，在解法一中，使用双层for循环枚举所有 i，j情况，每种情况的 i，j又使用for循环来计算子序列和，一共用了三层循环。在解法二中，用了for循环枚举子序列左界 i的情况，又使用一层for循环列举 j的所有情况下的最大序列和。而解法三中，只使用了一次for循环遍历了N个元素，设置ThisSum表示当前的子序列和，每经历一个元素便加进ThisSum，更新后的ThisSum与MaxSum比较，比他大则赋值，否则，如果比 0 小，则将ThisSum=0。本算法有许多好处：①时间复杂度只有O(n)，基本上是最省时的算法。②它只对数据进行一次扫描，一旦A[i]被读入并被处理，它就不再需要被记忆。因此，如果数组在磁盘或磁带上，它就可以被顺序读入，在主存中不必存储数组的任何部分。③在任意时刻，算法都能对它已经读入的数据给出子序列问题的正确答案，称为联机算法。

解法四：递推分治算法O(nlog（n）)

解法四使用了一种和前三种都不一样的思想，也是算法分析中常用的两种思想“递推”和“分治”。对于N个元素的数组，将其分为两部分，则最大子序列和则是左部分的最大子序列和MaxLeftSum，右部分最大子序列和MaxRightSum，包含中间元素的最大子序列和MaxLeftBorderSum+MaxRightBorderSum，这三类中的最大值。6-7行计算左右两部分的最大子序列和，利用递推的方法。8-17行计算包含中间元素的最大子序列和，使用了两个for循环时间单位为O(n)。最终，时间复杂度为O(nlog(n))。对于带log的时间复杂度的分析，《数据结构与算法分析》这本书后面又举了三个例子来说明，后面一篇文章会进行阐述。

结语：作者在本题解法结尾说了一句话：“仅需要常量空间并以限行时间运行的在线算法几乎是完美的算法”，就是解法三。