LeetCode 53 最大子序

目录

1.题目

2.方法实现

2.1 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

2.2 终级暴力解法，时间复杂度为O(n^3)

2.3 暴力解法----时间复杂度o(n^2)

2.4 动态规划-----时间复杂度o(n）

---

1.题目

  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。

2.方法实现

2.1 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

class Solution(object):
    def maxSubArray(self, nums):
        """
        :type nums: List[int]
        :rtype: int
        """
        max = nums[0]
        for i in range(0,len(nums)):
            for j in range(i,len(nums)):
                sum = 0
                for k in range(i,j+1):
                    sum += nums[k]
                if sum >max:
                    max = sum
        return max
 
sl = Solution()
print(sl.maxSubArray([-2,1,-3,4,-1,2,1,-5,4]))
print(sl.maxSubArray([7,1,-3,4,1,1,2,1,-5,4]))

2.2 终级暴力解法，时间复杂度为O(n^3)

思路：

从头到尾的遍历，然后选定一个元素，不断累加后面的元素，举个例子

-2    -2+1    -2+1-3    ...

1    1-3    1-3+4    ...

-3    -3+4    -3+4-1    ..

然后从每两个就进行比较，如果sum>max，就把sum的值赋给max，一直重复下去，直到所有的循环遍历完。

从下图我们可以看见，当数组比较小的时候可以通过，但是当数比较大的时候，就会超出时间限制了。
 

class Solution(object):
    def maxSubArray(self, nums):
        """
        :type nums: List[int]
        :rtype: int
        """
        if len(nums) == 0:
            return 0
        current_Sum = max_Sum = nums[0]
        for i in range(1, len(nums)):
            current_Sum = max(current_Sum + nums[i], nums[i])
            max_Sum = max(max_Sum, current_Sum)
        return max_Sum
 
sl = Solution()
print(sl.maxSubArray([-2,1,-3,4,-1,2,1,-5,4]))
print(sl.maxSubArray([7,1,-3,4,1,1,2,1,-5,4]))

2.3 暴力解法----时间复杂度o(n^2)

1.首先判断下传入的数组是否为空，如果是，直接返回0

2.定义当前的最大和以及最大子数组的和，之所以赋值为数组第一个元素，而不是0，是因为可以减少代码量，不用判断数组的长度为1 的时候。

3.接下来遍历其他元素，只记录最大和即可。首先判断当前的最大和加上当前元素与当前元素谁比较大，保留下最大的一个作为当前的最大和。

4.然后再与最终的max_num做比较，保留所有最大值里的最大的一个。

5.返回最大子数组之和

class Solution(object):
    def maxSubArray(self, nums):
        """
        :type nums: List[int]
        :rtype: int
        """
        if len(nums) == 0:
            return 0
        for i in range(1,len(nums)):
            current_num=max(nums[i]+nums[i-1],nums[i])
            nums[i]=current_num
        return max(nums)
 
sl = Solution()
print(sl.maxSubArray([-2,1,-3,4,-1,2,1,-5,4]))
print(sl.maxSubArray([7,1,-3,4,1,1,2,1,-5,4]))

2.4 动态规划-----时间复杂度o(n）

思路：设sum[i]为以第i个元素结尾且和最大的连续子数组。假设对于元素i，所有以它前面的元素结尾的子数组的长度都已经求得，那么以第i个元素结尾且和最大的连续子数组实际上，要么是以第i-1个元素结尾且和最大的连续子数组加上这个元素，要么是只包含第i个元素，即sum[i]
= max(sum[i-1] + a[i], a[i])。可以通过判断sum[i-1] + a[i]是否大于a[i]来做选择，而这实际上等价于判断sum[i-1]是否大于0。由于每次运算只需要前一次的结果，因此并不需要像普通的动态规划那样保留之前所有的计算结果，只需要保留上一次的即可，因此算法的时间和空间复杂度都很小。

class Solution {
    public int maxSubArray(int[] nums) {// 动态规划法
        int sum=nums[0];
        int n=nums[0];
        for(int i=1;i<nums.length;i++) {
            if(n>0)n+=nums[i];
            else n=nums[i];
            if(sum<n)sum=n;
        }
        return sum;
    }
}