最大子序和

前言

清明假期马上就要结束了,小熊给大家带来一道笔试和面试中与「动态规划」相关的常考的简单题,这道题被字节、微软、亚马逊和苹果等各大互联网大厂作为笔试题。

这道题就是 Leetcode 的第 53 题-最大子序和,了解「动态规划」的童鞋,在看到最大两个字的时候,很容易就会想到用「动态规划」去解答,因为涉及到「最优解」的问题,一般都可以通过动归去做。本题小熊提供「动态规划」的思路供大家参考,希望对大家有所帮助。

题目

最大子序和

 

 

解题思路

本题是一道典型的「动态规划」的题,因此采用动态规划的策略去解答。

「定义状态」 dp[i]:以 nums[i]结尾(包含 nums[i])的连续子数组的最大和。

「状态转移方程」 dp[i] = max(dp[i - 1] + nums[i], nums[i]),其中 i >= 1,当 dp[i - 1] < 0 时,抛弃当前的和最大的连续子数组,从 nums[i] 开始,重新寻找和最大的连续子数组,否则,将 nums[i] 加入到当前的和最大的连续子数组。

「边界条件」 dp[0] = nums[0]。

「举栗」

以数组 nums[i] = [-2,1,-3,4,-1,2,1,-5,4] 为例子,如下图示。

最大子序和

 

 

从上图可以看出:dp[0] = nums[0] = -1 < 0,由于当前的连续子数组的最大和小于零,因此应该丢弃 num[0],从 nums[1] = 1 开始重新寻找和最大的连续子数组。

寻找和最大的连续子数组的完整动图,如下所示:

最大子序和

 

由状态转移方程可知,dp[i] 只与 dp[i - 1] 和 nums[i] 相关,因此没必要再去定义 dp,直接复用 nums 即可。

Show me the Code

「C++」

最大子序和
1 int maxSubArray(vector<int>& nums) {
2     int maxSum = nums[0];
3     for (int i = 1; i < nums.size(); ++i) {
4         nums[i] = max(nums[i - 1], 0) + nums[i];
5         maxSum = max(maxSum, nums[i]);
6     }
7 
8     return maxSum;
9 }
View Code

「Java」

最大子序和
1 int maxSubArray(int[] nums) {
2     int maxSum = nums[0];
3     for (int i = 1; i < nums.length; ++i) {
4         nums[i] = Math.max(nums[i - 1], 0) + nums[i];
5         maxSum = Math.max(maxSum, nums[i]);
6     }
7 
8     return maxSum;
9 }
View Code

「Python3」

最大子序和
1 def maxSubArray(self, nums: List[int]) -> int:
2     for i in range(1, len(nums)):
3         nums[i] = max(nums[i - 1], 0) + nums[i]
4     
5     return max(nums)
View Code

「Golang」

最大子序和
 1 func maxSubArray(nums []int) int {
 2     maxSum := nums[0];
 3     for i := 1; i < len(nums); i++ {
 4         if nums[i - 1] > 0 {
 5             nums[i] += nums[i - 1]
 6         }
 7 
 8         if nums[i] > maxSum {
 9             maxSum = nums[i]
10         }
11     }
12 
13     return maxSum;
14 }
View Code

「C」

最大子序和
1 int maxSubArray(int* nums, int numsSize){
2     int maxSum = nums[0];
3     for (int i = 1; i < numsSize; ++i) {
4         nums[i] = fmax(nums[i - 1] + nums[i], nums[i]);
5         maxSum = fmax(maxSum, nums[i]);
6     }
7 
8     return maxSum;
9 }
View Code

「复杂度分析」

时间复杂度:「O(n)」,其中 n 是数组的长度,需要遍历一遍数组。

空间复杂度:「O(1)」,未开辟额外的存储空间。

上一篇:数据结构(一)基本概念 —— 编程作业 01:最大子列和问题


下一篇:算法学习:给定一个序列求最大子序列的和