算法训练Day50 | LeetCode123. 买卖股票的最佳时机III(最多买卖2次);LeetCode188. 买卖股票的最佳时机IV(最多买卖K次)
目录
LeetCode123. 买卖股票的最佳时机III
1. 思路
2. 代码实现
3. 复杂度分析
4. 思考与收获
LeetCode188. 买卖股票的最佳时机IV
1. 思路
2. 代码实现
3. 复杂度分析
4. 思考与收获
LeetCode123. 买卖股票的最佳时机III
链接: 链接:123. 买卖股票的最佳时机 III - 力扣(LeetCode)
1. 思路
本题相对于LeetCode121和LeetCode122难了不少;关键在于至多买卖两次,这意味着可以买卖一次,可以买卖两次,也可以不买卖。
接来下我用动态规划五部曲详细分析一下:
1.1 确定dp数组以及下标的含义
一天一共就有五个状态,
- 没有操作
- 第一次买入的状态
- 第一次卖出的状态
- 第二次买入的状态
- 第二次卖出的状态
dp[i][j]中 i表示第i天,j为 [0 - 4] 五个状态,dp[i][j]表示第i天状态j所剩最大现金;
1.2 确定递推公式
需要注意:dp[i][1],表示的是第i天,买入股票的状态,并不是说一定要第i天买入股票,这是很多同学容易陷入的误区;
达到dp[i][1]状态,有两个具体操作:
- 操作一:第i天买入股票了,那么dp[i][1] = dp[i-1][0] - prices[i]
- 操作二:第i天没有操作,而是沿用前一天买入的状态,即:dp[i][1] = dp[i - 1][1]
那么dp[i][1]究竟选 dp[i-1][0] - prices[i],还是dp[i - 1][1]呢?
一定是选最大的,所以 dp[i][1] = max(dp[i-1][0] - prices[i], dp[i - 1][1]);
同理dp[i][2]也有两个操作:
- 操作一:第i天卖出股票了,那么dp[i][2] = dp[i - 1][1] + prices[i]
- 操作二:第i天没有操作,沿用前一天卖出股票的状态,即:dp[i][2] = dp[i - 1][2]
所以dp[i][2] = max(dp[i - 1][1] + prices[i], dp[i - 1][2])
同理可推出剩下状态部分:
dp[i][3] = max(dp[i - 1][3], dp[i - 1][2] - prices[i]);
dp[i][4] = max(dp[i - 1][4], dp[i - 1][3] + prices[i]);
1.3 dp数组初始化
dp[0][0]
第0天没有操作,这个最容易想到,就是0,即:dp[0][0] = 0;
dp[0][1]
第0天做第一次买入的操作,dp[0][1] = -prices[0];
dp[0][2]
第0天做第一次卖出的操作,这个初始值应该是多少呢?首先卖出的操作一定是收获利润,整个股票买卖最差情况也就是没有盈利即全程无操作现金为0,从递推公式中可以看出每次是取最大值,那么既然是收获利润如果比0还小了就没有必要收获这个利润了,所以dp[0][2] = 0;(这个解释我不是很懂)我认为可以理解成第0天买入了再卖出,价格是一样的,所以为0;
dp[0][3]
第0天第二次买入操作,初始值应该是多少呢?应该不少同学疑惑,第一次还没买入呢,怎么初始化第二次买入呢?
第二次买入依赖于第一次卖出的状态,其实相当于第0天第一次买入了,第一次卖出了,然后在买入一次(第二次买入),那么现在手头上没有现金,只要买入,现金就做相应的减少。所以第二次买入操作,初始化为:dp[0][3] = -prices[0];
dp[0][4]
可以理解为第0天完成了第一次买入,卖出,又第二次买入,卖出,总体来说利润为0;同理第二次卖出初始化dp[0][4] = 0;
1.4 确定遍历顺序
从递归公式其实已经可以看出,一定是从前向后遍历,因为dp[i],依靠dp[i - 1]的数值;
1.5 举例推导dp数组
以输入[1,2,3,4,5]为例
大家可以看到红色框为最后两次卖出的状态。
现在最大的时候一定是卖出的状态,而两次卖出的状态现金最大一定是最后一次卖出。所以最终最大利润是dp[4][4];
因为是最大的利润,不会小于第一次卖出的利润,因为大不了就day5的时候,再在同一天买进卖出,j=2的利润就等于j=4的利润率了,所以可以直接取最右下角的数即可;
2. 代码实现
# 动态规划
# time:O(N);space:O(N)
class Solution(object):def maxProfit(self, prices):""":type prices: List[int]:rtype: int"""# dp的定义# j 为五种状态 # 0: 无操作# 1: 1st 买入# 2: 1st 卖出# 3: 2nd 买入# 4: 2nd 卖出# dp[i][j] 第i天,在j状态的最大金钱余额length = len(prices)dp = [[0]*5 for _ in range(length)]# 初始化dp[0][0] = 0dp[0][1] = -prices[0]dp[0][2] = 0dp[0][3] = -prices[0]dp[0][4] = 0# 遍历for i in range(1,length):# 递推公式dp[i][0] = dp[i-1][0]dp[i][1] = max(dp[i-1][1],dp[i-1][0]-prices[i])dp[i][2] = max(dp[i-1][2],dp[i-1][1]+prices[i])dp[i][3] = max(dp[i-1][3],dp[i-1][2]-prices[i])dp[i][4] = max(dp[i-1][4],dp[i-1][3]+prices[i])return dp[length-1][4]
3. 复杂度分析
时间复杂度:O(N)
N为prices数组的长度;需要从头到尾遍历prices数组一遍;
空间复杂度:O(N)
dp数组的大小为N*5,整体来说还是O(N)的复杂度;
4. 思考与收获
(二刷再考虑看不看)还有一种优化空间的写法
class Solution:def maxProfit(self, prices: List[int]) -> int:if len(prices) == 0:return 0dp = [0] * 5dp[1] = -prices[0]dp[3] = -prices[0]for i in range(1, len(prices)):dp[1] = max(dp[1], dp[0] - prices[i])dp[2] = max(dp[2], dp[1] + prices[i])dp[3] = max(dp[3], dp[2] - prices[i])dp[4] = max(dp[4], dp[3] + prices[i])return dp[4]
- 时间复杂度:O(n)
- 空间复杂度:O(1)
大家会发现dp[2]利用的是当天的dp[1]。 但结果也是对的;我来简单解释一下:dp[1] = max(dp[1], dp[0] - prices[i]); 如果dp[1]取dp[1],即保持买入股票的状态,那么 dp[2] = max(dp[2], dp[1] + prices[i]);中dp[1] + prices[i] 就是今天卖出。
如果dp[1]取dp[0] - prices[i],今天买入股票,那么dp[2] = max(dp[2], dp[1] + prices[i]);中的dp[1] + prices[i]相当于是尽在再卖出股票,一买一卖收益为0,对所得现金没有影响。相当于今天买入股票又卖出股票,等于没有操作,保持昨天卖出股票的状态了。这种写法看上去简单,其实思路很绕,不建议大家这么写,这么思考,很容易把自己绕进去!对于本题,把版本一的写法研究明白,足以!
Reference:代码随想录 (programmercarl.com)
本题学习时间:60分钟。
LeetCode188. 买卖股票的最佳时机IV
链接:188. 买卖股票的最佳时机 IV - 力扣(LeetCode)
1. 思路
本题可以说是LeetCode123.买卖股票的最佳时机III的进阶版,这里要求至多有K次交易;动态规划五部曲分析如下:
1.1 确定dp数组以及下标的含义
在LeetCode123.买卖股票的最佳时机III中,定义了一个二维的dp数组,题其实依然可以用一个二维dp数组;使用二维数组 dp[i][j] :第i天的状态为j,所剩下的最大现金是dp[i][j];
j的状态表示为:
- 0 表示不操作
- 1 第一次买入
- 2 第一次卖出
- 3 第二次买入
- 4 第二次卖出
- .....
大家应该发现规律了吧 ,除了0以外,偶数就是卖出,奇数就是买入。
题目要求是至多有K笔交易,那么j的范围就定义为 2 * k + 1 就可以了。
1.2 确定递推公式
还要强调一下:dp[i][1],表示的是第i天,买入股票的状态,并不是说一定要第i天买入股票,这是很多同学容易陷入的误区;
达到dp[i][1]状态,有两个具体操作:
- 操作一:第i天买入股票了,那么dp[i][1] = dp[i - 1][0] - prices[i]
- 操作二:第i天没有操作,而是沿用前一天买入的状态,即:dp[i][1] = dp[i - 1][1]
选最大的,所以 dp[i][1] = max(dp[i - 1][0] - prices[i], dp[i - 1][1]);
同理dp[i][2]也有两个操作:
- 操作一:第i天卖出股票了,那么dp[i][2] = dp[i - 1][1] + prices[i]
- 操作二:第i天没有操作,沿用前一天卖出股票的状态,即:dp[i][2] = dp[i - 1][2]
所以dp[i][2] = max(dp[i - 1][1] + prices[i], dp[i - 1][2])
同理可以类比剩下的状态,代码如下:
for j in range(0, 2*k-1, 2):dp[i][j+1] = max(dp[i-1][j+1], dp[i-1][j] - prices[i])dp[i][j+2] = max(dp[i-1][j+2], dp[i-1][j+1] + prices[i])
本题和动态规划:123.买卖股票的最佳时机III (opens new window)最大的区别就是这里要类比j为奇数是买,偶数是卖的状态;
1.3 dp数组初始化
第0天没有操作,这个最容易想到,就是0,即:dp[0][0] = 0;
第0天做第一次买入的操作,dp[0][1] = -prices[0];
第0天做第一次卖出的操作,这个初始值应该是多少呢?
首先卖出的操作一定是收获利润,整个股票买卖最差情况也就是没有盈利即全程无操作现金为0,
从递推公式中可以看出每次是取最大值,那么既然是收获利润如果比0还小了就没有必要收获这个利润了。
所以dp[0][2] = 0;
第0天第二次买入操作,初始值应该是多少呢?
不用管第几次,现在手头上没有现金,只要买入,现金就做相应的减少。
第二次买入操作,初始化为:dp[0][3] = -prices[0];
所以同理可以推出dp[0][j]当j为奇数的时候都初始化为 -prices[0]
代码如下:
for j in range(1, 2*k, 2):dp[0][j] = -prices[0]
在初始化的地方同样要类比j为偶数是卖、奇数是买的状态;
1.4 确定遍历顺序
从递归公式其实已经可以看出,一定是从前向后遍历,因为dp[i],依靠dp[i - 1]的数值;
1.5 举例推导dp数组
以输入[1,2,3,4,5],k=2为例;
最后一次卖出,一定是利润最大的,dp[prices.size() - 1][2 * k]即红色部分就是最后求解。
2. 代码实现
# 动态规划
# time:O(N*K);space:O(N*K)
class Solution(object):def maxProfit(self, k, prices):""":type k: int:type prices: List[int]:rtype: int"""# 排除base caseif len(prices) == 0: return 0length = len(prices)# 初始化,有length行,2K+1列dp = [[0]*(2*k+1) for _ in range(length)]# j 为奇数的地方,代表买入,全部初始化为-prices[0]for j in range(2*k):if j%2: dp[0][j] = -prices[0]# 从i=1,第一天开始遍历for i in range(1,length):# j 需要遍历2K个状态for j in range(1,2*k+1):# 如果j为奇数,代表是买入日if j%2:dp[i][j] = max(dp[i-1][j],dp[i-1][j-1]-prices[i])# 如果j为偶数,代表是卖出日if j%2 == 0:dp[i][j] = max(dp[i-1][j],dp[i-1][j-1]+prices[i])return dp[length-1][2*k]
3. 复杂度分析
时间复杂度:O(N*K)
其中N为prices数组的长度,K为题目中给的最多买卖K次;for loop中需要循环N *(2K)次;
空间复杂度:O(N*K)
其中N为prices数组的长度,K为题目中给的最多买卖K次;dp数组的大小为N*(2K+1)
4. 思考与收获
有的解法是定义一个三维数组dp[i][j][k],第i天,第j次买卖,k表示买还是卖的状态,从定义上来讲是比较直观;但感觉三维数组操作起来有些麻烦,这里直接用二维数组来模拟三维数组的情况,代码看起来也清爽一些;
(二刷再考虑看不看)类似LeetCode123 ,还有一种状态压缩的写法如下:
class Solution:def maxProfit(self, k: int, prices: List[int]) -> int:if len(prices) == 0: return 0dp = [0] * (2*k + 1)for i in range(1,2*k,2):dp[i] = -prices[0]for i in range(1,len(prices)):for j in range(1,2*k + 1):if j % 2:dp[j] = max(dp[j],dp[j-1]-prices[i])else:dp[j] = max(dp[j],dp[j-1]+prices[i])return dp[2*k]
Reference:代码随想录 (programmercarl.com)
本题学习时间:80分钟。
本篇学习时间约2小时,总结字数5000+;又学习了动态规划中股票问题的两个题目,难度比之前的股票问题大了不少,IV是III的进阶版,推广到最多买卖K次了。(求推荐!)
算法训练Day50 | LeetCode123. 买卖股票的最佳时机III(最多买卖2次);LeetCode188. 买卖股票的最佳时机IV(最多买卖K次)相关推荐
- 算法训练第五十天 | 123.买卖股票的最佳时机III、188.买卖股票的最佳时机IV
动态规划part11 123.买卖股票的最佳时机III 题目描述 思路 拓展 188.买卖股票的最佳时机IV 题目描述 思路 易错点 123.买卖股票的最佳时机III 题目链接:123.买卖股票的最佳 ...
- 算法训练第五十一天 | 309.最佳买卖股票时机含冷冻期、714.买卖股票的最佳时机含手续费、股票问题总结
动态规划part12 309.最佳买卖股票时机含冷冻期 题目描述 思路 总结 714.买卖股票的最佳时机含手续费 题目描述 思路 股票问题总结 309.最佳买卖股票时机含冷冻期 题目链接:309.最佳 ...
- lintcode:买卖股票的最佳时机 III
买卖股票的最佳时机 III 假设你有一个数组,它的第i个元素是一支给定的股票在第i天的价格.设计一个算法来找到最大的利润.你最多可以完成两笔交易. 样例 给出一个样例数组 [4,4,6,1,1,4,2 ...
- 第43天| 123.买卖股票的最佳时机III、 188.买卖股票的最佳时机IV
1.题目链接:123. 买卖股票的最佳时机 III 题目描述: 给定一个数组,它的第 i 个元素是一支给定的股票在第 i 天的价格. 设计一个算法来计算你所能获取的最大利润.你最多可以完成 两笔 交易 ...
- 123. 买卖股票的最佳时机 III ( 三维dp )
LeetCode:123. 买卖股票的最佳时机 III 之前的含手续费定义了两个状态(持股与不持股), 含冷冻期定义了三个状态(持股, 不持股冷冻期, 不持股非冷冻期), 都是二维数组. 本题除了持股 ...
- 【第50天| ● 123.买卖股票的最佳时机III ● 188.买卖股票的最佳时机IV 】
123.买卖股票的最佳时机III class Solution {public:int maxProfit(vector<int>& prices) {vector<int& ...
- 力扣 -- 123. 买卖股票的最佳时机 III
题目链接:123. 买卖股票的最佳时机 III - 力扣(LeetCode) 下面是用动态规划的思想解决这道题的过程,相信各位小伙伴都能看懂并且掌握这道经典的动规题目滴. 参考代码: class So ...
- leetcode 123. 买卖股票的最佳时机 III
使用动态规划的解法,空间复杂度O(2*2)如果交易k次则为O(2*k),时间复杂度O(2n),交易k次为O(n*k), 因此本题实际上可以退化为买卖一次的情况:去掉buy2和sell2,即leetco ...
- 目前最好用的大规模强化学习算法训练库是什么?
点击蓝字 关注我们 本文整理自知乎问答,仅用于学术分享,著作权归作者所有.如有侵权,请联系后台作删文处理. 本文精选知乎问题"目前最好用的大规模强化学习算法训练库是什么?"评论区 ...
最新文章
- recyclerview 滚动冲突_如何处理手势冲突 | 手势导航连载 (三)
- linux 中断奶乱码,科学断奶经历:早中晚三次母乳,一个月内循序渐进自然断奶...
- JAVASCRIPT常用20种小技巧汇总
- java enum in class_Java 8需要一个转换,而Java 7没有 – enum.getClass/getDeclaringClass
- 深度学习基础 | 从Language Model到RNN
- 【验证码识别】基于matlab GUI遗传算法和最大熵优化+大津法(OTSU)+自定义阈值数字验证码识别【含Matlab源码 1694期】
- java项目如何运行
- html制作个人简历网页
- RBF神经网络MATLAB代码实现
- Source Insight的应用技巧、宏功能
- Proxyee-down – 百度网盘全平台满速下载神器,还带有IDM的全网嗅探功能!(替代PanDownload)
- oppo服务器在哪个文件夹,OPPO手机云服务备份的东西在哪里能找到
- java m个苹果n个篮子_m个苹果放在n个盘子中有多少种结果
- 如何快速将多个文件合并为一个文件?
- 摘录整理:日本文化常识之历史篇
- 刷题总结——玉蟾宫(bzoj3039单调栈)
- vue 创建一个 表格,横向纵向都可以增加(减少)行和列,并且内容内容可以输入,标题可以修改
- 积木报表JimuReport支持的15种数据库类型介绍
- adb命令——adb命令大全
- 盈一眸恬淡,在明媚的春天等你