连续子序列的最大和
- 前言
- 分治算法的核心思想是将一个规模很大的问题化简为n个规模较小的问题,这些子问题虽然独立而不同,但是问题的本质是一致的,从而达到分而治之的目的。
- 首先通过“分”将问题分解为n个子问题,再将子问题一步步分解,知道达到最小的子问题。这时,“治”子问题再利用子问题的解推导总问题的解。
- 子问题应与原问题拥有同样的结构,或者拥有同样的形式。只有这样,才能利用递归解决子问题。
- 问题描述
- 给定一个列表数据,其中数据可正可负,找出和最大的子列表的和,子列表不能为空。
- 问题分析
- 这类题其实用DP也是一种解题思路,当然也是分治的经典问题。
- 看一个例子,输入列表如下。
- [-2, 1, -3, 4, -1, 2, 1, -5, 4]
- 按照分治的思路,最大子列表有可能在左子列表、右子列表或左子列表和右子列表之间。我们需要做的就是找到左子列表的最大子列表的和、右子列表的最大子列表的和、左子列表与右子列表之间的子列表的最大和,再进行比较。
- 如何找到左子列表与右子列表的最大子列表的和呢?分治的想法是:让左左子列表与右子列表的子列表回答这个问题就好了,此时此刻不需要知道答案,只需要知道答案有三种可能。
- 现在需要做的是找到第三种可能,也就是左子列表与右子列表之间的子列表的最大和。设一个中点,遍历中点左边的值,跟踪记录已经遍历过的值的总和,取这些总和的最大值;同样的方法遍历中点右边的值。最后,左边的最大值加上右边的最大值加上中点值就是想要的值。
- 那么如何找第一种可能,也就是左子列表的最大和。其实,对待左子列表的方式和对待列表一样,还是有三个可能,第一个与第二个不关心,第三个按照上面的做法寻找。
- 如何找到第二种可能与上面一致。
- 按照这个一步步分解的思路,其实,最后左右子列表都各有一个值,结果为三种可能最大的。最终,根据子问题推到了大问题的三种可能值,最终得到答案。
- 代码
-
# -*-coding:utf-8-*- def LSS(array): if array == []: return if len(array) == 1: return array[0] cut = len(array) // 2 # 设置中点 left_sum = LSS(array[: cut]) right_sum = LSS(array[cut:]) # 从中点开始分别左右遍历查值 left_middle_sum = 0 max_l = 0 right_middle_sum = 0 max_r = 0 for i in range(cut-1, -1, -1): left_middle_sum += array[i] max_l = max(left_middle_sum, max_l) for j in range(cut+1, len(array), 1): right_middle_sum += array[j] max_r = max(right_middle_sum, max_r) return max(left_sum, right_sum, max_l+max_r+array[cut]) if __name__ == '__main__': array = [-2, 1, -3, 4, -1, 2, 1, -5, 4] rst = LSS(array) print(rst)
-
- 运行结果
- 补充说明
- 具体代码可以查看我的Github,欢迎Star或者Fork
- 参考书《你也能看得懂的Python算法书