买卖股票的最佳时机

好的，我们用 dp[i][0] 和 dp[i][1] 来分别表示第 i 天持有股票和不持有股票时的最大收益。我们来详细分析一下这种动态规划状态转移的方式。

动态规划定义

• dp[i][0]：表示在第 i 天持有股票时的最大收益。
• dp[i][1]：表示在第 i 天不持有股票时的最大收益。

状态转移方程

1. 对于 dp[i][0]（第 i 天持有股票）：

   • 有两种情况：
     1. 昨天也持有股票：即 dp[i-1][0] 的状态继续到今天。
     2. 昨天没有股票，但今天买入了股票：那么今天的现金 = 昨天不持有股票的最大收益 dp[i-1][1] 减去今天买入股票的价格 prices[i]。
   • 状态转移方程：
     [
     dp[i][0] = \max(dp[i-1][0], dp[i-1][1] - prices[i])
     ]

2. 对于 dp[i][1]（第 i 天不持有股票）：

   • 也有两种情况：
     1. 昨天就没有股票：即 dp[i-1][1] 的状态继续到今天。
     2. 昨天持有股票，但今天卖出了：那么今天的现金 = 昨天持有股票的最大收益 dp[i-1][0] 加上今天卖出股票的价格 prices[i]。
   • 状态转移方程：
     [
     dp[i][1] = \max(dp[i-1][1], dp[i-1][0] + prices[i])
     ]

初始条件

1. 第0天持有股票时的最大收益 dp[0][0]：

   • 由于还没有买入操作，设为 -prices[0]，表示买入股票花费的钱。
     [
     dp[0][0] = -prices[0]
     ]

2. 第0天不持有股票时的最大收益 dp[0][1]：

   • 还没有买卖操作，收益为 0。
     [
     dp[0][1] = 0
     ]

最终结果

整个数组遍历结束后，我们要找到最后一天不持有股票的最大收益 dp[n-1][1]，因为这是利润最大化的状态。

代码实现

def maxProfit(prices):
    if not prices:
        return 0

    n = len(prices)
    dp = [[0] * 2 for _ in range(n)]

    # 初始化
    dp[0][0] = -prices[0]  # 第0天持有股票的收益
    dp[0][1] = 0           # 第0天不持有股票的收益

    # 动态规划过程
    for i in range(1, n):
        # 第 i 天持有股票的情况
        dp[i][0] = max(dp[i - 1][0], dp[i - 1][1] - prices[i])
        # 第 i 天不持有股票的情况
        dp[i][1] = max(dp[i - 1][1], dp[i - 1][0] + prices[i])

    # 最终答案为最后一天不持有股票的最大收益
    return dp[-1][1]

例子讲解

以 prices = [7, 1, 5, 3, 6, 4] 为例，来展示 dp 数组的变化：

天数	prices[i]	dp[i][0] （持有股票）	dp[i][1]（不持有股票）
0	7	-7（买入股票）	0
1	1	-1（以更低价买入）	0
2	5	-1（前一天持有股票）	4（今天卖出，利润 5-1=4）
3	3	-1（前一天持有股票）	4（保持不持有状态）
4	6	-1（前一天持有股票）	5（今天卖出，利润 6-1=5）
5	4	-1（前一天持有股票）	5（保持不持有状态）

• 在最后一天 dp[5][1] = 5，即最大利润为 5。

总结

通过定义 dp[i][0] 和 dp[i][1]，我们分别表示持有和不持有股票的最大收益，并且利用状态转移方程不断更新。这种动态规划的思路帮助我们在每一天都能做出最优决策，最终求得整个过程中的最大收益。