309. 最佳买卖股票时机含冷冻期(JS实现)

1 题目

给定一个整数数组,其中第 i 个元素代表了第 i 天的股票价格 。​
设计一个算法计算出最大利润。在满足以下约束条件下,你可以尽可能地完成更多的交易(多次买卖一支股票):
你不能同时参与多笔交易(你必须在再次购买前出售掉之前的股票)。
卖出股票后,你无法在第二天买入股票 (即冷冻期为 1 天)。
示例:
输入: [1,2,3,0,2]
输出: 3
解释: 对应的交易状态为: [买入, 卖出, 冷冻期, 买入, 卖出]

链接:https://leetcode-cn.com/problems/best-time-to-buy-and-sell-stock-with-cooldown

2 思路

这道题是股票系列的变种, 动态规划d[i][j],代表第i天持有状态为j的最大利润,状态转移方程d[i][0] = Math.max(d[i-1][0], d[i-1][1] + prices[i])d[i][1] = Math.max(d[i-1][1], d[i-2][0] - prices[i]),注意由于股票有冷冻期,因此只能买入第i-2天的股票

3代码

/**
 * @param {number[]} prices
 * @return {number}
 */
var maxProfit = function(prices) {
    if (prices.length === 0) return 0;
    const d = [];
    const min = Number.MIN_SAFE_INTEGER;

    for (let i=0; i<prices.length; i++) {
        if (!d[i]) d[i] = [];
        d[i][0] = 0;
        d[i][1] = 0;
    }

    for (let i=0; i<prices.length; i++) {
        if (i === 0) {   //第一天特殊处理
            d[0][0] = 0;
            d[0][1] = -prices[i];
            continue;
        }
        if (i === 1) {  //第二天情况特殊处理
            d[i][0] = Math.max(d[i-1][0], d[i-1][1] + prices[i]);
            d[i][1] = Math.max(d[i-1][1], -prices[i]);
            continue;
        }
        d[i][0] = Math.max(d[i-1][0], d[i-1][1] + prices[i]);
        d[i][1] = Math.max(d[i-1][1], d[i-2][0] - prices[i]);
    }

    return d[prices.length-1][0];


};
### 关于买卖股票最佳时机的算法实现 #### 贪心算法实现 贪心算法的核心思想是尽可能多地获取局部最优解,从而达到全局最优解的效果。对于股票交易问题而言,如果当前的价格高于前一的价格,则可以在前一买入并当卖出以赚取差价。 以下是基于贪心算法的 Python 实现: ```python def maxProfit(prices): total_profit = 0 for i in range(1, len(prices)): daily_profit = prices[i] - prices[i - 1] if daily_profit > 0: total_profit += daily_profit return total_profit ``` 上述代码通过计算每的潜在收益并将正值累加起来得出最终的最大利润[^2]。 --- #### 动态规划实现 动态规划适用于更复杂的场景,例如限制交易次数或者存在额外约束(如冷冻或手续费)。其核心在于定义状态变量以及推导状态转移方程。 ##### 基础版本 (无任何限制) 假设没有任何交易次数或其他限制条件,可以通过如下方式构建动态规划模型: ```python def maxProfit_dp(prices): n = len(prices) if n == 0: return 0 dp = [0] * n for i in range(1, n): dp[i] = max(dp[i - 1], dp[i - 1] + prices[i] - prices[i - 1]) return dp[-1] ``` 此方法的时间复杂度为 \(O(n)\),空间复杂度同样为 \(O(n)\)[^3]。 --- ##### 扩展版:支持最多 k 次交易 当限定最多可以完成 \(k\) 笔交易时,需要引入二维数组记录不同状态下所能取得的最大利润。 ```python def maxProfit_k_times(prices, k): n = len(prices) if n == 0 or k == 0: return 0 if k >= n // 2: return sum(max(prices[i + 1] - prices[i], 0) for i in range(n - 1)) dp = [[0] * n for _ in range(k + 1)] for t in range(1, k + 1): max_diff = -prices[0] for d in range(1, n): dp[t][d] = max(dp[t][d - 1], prices[d] + max_diff) max_diff = max(max_diff, dp[t - 1][d] - prices[d]) return dp[k][-1] ``` 在此扩展中,`dp[t][d]` 表示在前 `d` 内至多完成 `t` 笔交易能够获得的最大利润[^4]。 --- #### 特殊情况下的动态规划 针对特定约束条件(如冷冻或手续费),需调整状态转移逻辑。 ##### 冷冻 在这种情况下,除了考虑是否持有股票外,还需跟踪上一阶段的状态变化。 ```python def maxProfit_with_cool_down(prices): if not prices: return 0 n = len(prices) hold, sold, rest = [0]*n, [0]*n, [0]*n hold[0] = -prices[0] sold[0] = 0 rest[0] = 0 for i in range(1, n): hold[i] = max(hold[i-1], rest[i-1]-prices[i]) sold[i] = hold[i-1]+prices[i] rest[i] = max(rest[i-1], sold[i-1]) return max(sold[-1], rest[-1]) ``` 此处分别用三个列表表示不同的状态转换关系,并确保满足冷却周的要求[^5]。 --- #### 结论 综上所述,无论是采用简单的贪心策略还是更为通用的动态规划框架,都可以有效解决各类买卖股票最佳时机问题。具体选择取决于实际应用场景中的附加规则与性能需求。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值