【知识点2】最大连续子序列和⭐⭐⭐⭐⭐

机试不会考裸的最大连续子序列和，而是会考一些变形，可能需要自己去转换成最大连续子序列和，要灵活变通，不要以为背了模板就没事了，比如这里的题型训练我就没想到用最大连续子序列和🤦‍

今天也是为了cc，努力奋斗的一天ヾ(≧▽≦*)o

1. 问题描述

最大连续子序列和问题如下：

给定一个数字序列$A_1$,$A_2$,…,$A_n$，求i，j（1≤i≤j≤n），使得$A_i$+…+$A_j$最大，输出这个最大和。

2. 暴力解决方案

3. 动态规划解决方案

下面介绍动态规划的做法，复杂度为 $O(n)$。

3.1 步骤1——状态定义

令状态dp[i]表示以A[i]作为末尾的连续序列的最大和（这里是说A[i]必须作为连续序列的末尾）。

其实与我们的LIS的dp数组的定义很像很像，都是以XX结尾的。

以样例为例：序列-2 11 -4 13 -5 -2，下标分别记为0，1，2，3，4，5，那么

通过设置这么一个dp数组，要求的最大和其实就是dp[0],dp[1],…,dp[n-1]中的最大值（因为到底以哪个元素结尾未知），下面想办法求解dp数组。

3.2 步骤2——状态转移方程

作如下考虑，因为dp[i]要求是必须以A[i]结尾的连续序列，那么只有两种情况：

1. 这个最大和的连续序列只有一个元素，即以A[i]开始，以A[i]结尾。
2. 这个最大和的连续序列有多个元素，即从前面某处A[p]开始(p<i)，一直到A[i]结尾。

对于情况1，最大和就是A[i]本身。
对于情况2，最大和是dp[i-1]+A[i]，即A[p]+...+A[i-1]+A[i] = dp[i-1] + A[i]。由于只有这两种情况，于是得到状态转移方程：

dp[i] = max{ A[i] , dp[i-1]+A[i] }

这个式子只和i和i之前的元素有关，且边界为dp[0]=A[0]，由此从小到大枚举i，即可得到整个dp数组。接着输出dp[0],dp[1],…,dp[n-1]中的最大值即为最大连续子序列的和。

怎么样，是不是很神奇？只用$O(n)$的时间复杂度就解决了原先需要$O(n^2)$复杂度问题，这就是动态规划的魅力。

4. 代码

#include<cstdio>
#include<algorithm>

using namespace std;

const int maxn = 10010;

int A[maxn],dp[maxn];	//A[i]存放以A[i]结尾的连续序列的最大和

int main(){
	int n;
	scanf("%d",&n);
	
	for(int i=0;i<n;++i){	//读入序列 
		scanf("%d",&A[i]); 
	}
	
	//边界
	dp[0] = A[0];
	
	for(int i=1;i<n;++i){
		//状态转移矩阵
		dp[i] = max(A[i],A[i]+dp[i-1]); 
	}
	
	//dp[i]存放以A[i]结尾的连续序列的最大和，需要遍历i得到最大的才是结果
	int k=0;
	for(int i=1;i<n;++i){
		if(dp[i] > dp[k]){
			k = i;
		}
	}
	
	printf("%d\n",dp[k]);
	return 0; 
} 

5. 状态的无后效性⭐⭐⭐⭐⭐

状态的无后效性：

• 当前状态记录了历史信息，一旦当前状态确定，就不会再改变，且未来的决策只能在已有的一个或若干个状态的基础上进行，历史信息只能通过已有的状态去影响未来的决策。

例如：

• 宇宙的历史可以看作一个关于时间的线性序列，对每一个时刻来说，宇宙的现状就是这个时刻的状态，显然宇宙过去的信息蕴含在当前状态中，并只能通过当前状态来影响下一个状态，因此从这个角度来说宇宙的关于时间的状态具有无后效性。
• 针对本节的问题来说，每次计算状态dp[i]，都只会涉及dp[i-1]，而不直接用到dp[i-1]蕴含的历史信息。

对动态规划可解的问题，总会有很多涉及状态的方式，但并不是所有状态都具有无后效性，因此必须设计一个拥有无后效性的状态以及相应的状态转移方程，否则动态规划就没有办法得到正确结果。事实上， 如何设计状态和状态转移方程，才是动态规划的核心，而它们也是动态规划最难的地方。

做DP题的关键，就是寻找一个好的状态。

总结一下，动态规划问题的时间复杂度由两部分组成：状态数量和状态转移复杂度，往往程序总的复杂度为它们的乘积。

6. 题型训练

1. ⭐【最大连续子序列和】A - Sum

7. 参考文档

算法笔记