java最大子序列和问题_一文看懂《最大子序列和问题》(内含Java,Python,JS代码)...
最大子序列和是一道经典的算法题, leetcode 也有原题《53.maximum-sum-subarray》,今天我们就来彻底攻克它。
题目描述
求取数组中最大连续子序列和,例如给定数组为 A = [1, 3, -2, 4, -5], 则最大连续子序列和为 6,即 1 + 3 +(-2)+ 4 = 6。去
首先我们来明确一下题意。
题目说的子数组是连续的
题目只需要求和,不需要返回子数组的具体位置。
数组中的元素是整数,但是可能是正数,负数和 0。
子序列的最小长度为 1。
比如:
对于数组 [1, -2, 3, 5, -3, 2], 应该返回 3 + 5 = 8
对于数组 [0, -2, 3, 5, -1, 2], 应该返回 3 + 5 + -1 + 2 = 9
对于数组 [-9, -2, -3, -5, -3], 应该返回 -2
解法一 - 暴力法(超时法)
一般情况下,先从暴力解分析,然后再进行一步步的优化。
思路
我们来试下最直接的方法,就是计算所有的子序列的和,然后取出最大值。记 Sum[i,....,j]为数组 A 中第 i 个元素到第 j 个元素的和,其中 0 <= i <= j < n, 遍历所有可能的 Sum[i,....,j] 即可。
我们去枚举以 0,1,2...n-1 开头的所有子序列即可, 对于每一个开头的子序列,我们都去枚举从当前开始到 n-1 的所有情况。
这种做法的时间复杂度为 O(N^2), 空间复杂度为 O(1)。
代码
JavaScript:
functionLSS(list){
constlen=list.length;
let max=-Number.MAX_VALUE;
let sum=0;
for(let i=0;i
sum=0;
for(let j=i;j
sum+=list[j];
if(sum>max){
max=sum;
}
}
}
returnmax;
}
Java:
classMaximumSubarrayPrefixSum{
publicintmaxSubArray(int[]nums){
intlen=nums.length;
intmaxSum=Integer.MIN_VALUE;
intsum=0;
for(inti=0;i
sum=0;
for(intj=i;j
sum+=nums[j];
maxSum=Math.max(maxSum,sum);
}
}
returnmaxSum;
}
}
Python 3:
importsys
classSolution:
defmaxSubArray(self,nums:List[int])->int:
n=len(nums)
maxSum=-sys.maxsize
sum=0
foriinrange(n):
sum=0
forjinrange(i,n):
sum+=nums[j]
maxSum=max(maxSum,sum)
returnmaxSum
空间复杂度非常理想,但是时间复杂度有点高。怎么优化呢?我们来看下下一个解法。
解法二 - 分治法
思路
我们来分析一下这个问题, 我们先把数组平均分成左右两部分。
此时有三种情况:
最大子序列全部在数组左部分
最大子序列全部在数组右部分
最大子序列横跨左右数组
对于前两种情况,我们相当于将原问题转化为了规模更小的同样问题。
对于第三种情况,由于已知循环的起点(即中点),我们只需要进行一次循环,分别找出 左边和右边的最大子序列即可。
所以一个思路就是我们每次都对数组分成左右两部分,然后分别计算上面三种情况的最大子序列和, 取出最大的即可。
举例说明,如下图:
(by snowan)
这种做法的时间复杂度为 O(N*logN), 空间复杂度为 O(1)。
代码
JavaScript:
functionhelper(list,m,n){
if(m===n)returnlist[m];
let sum=0;
let lmax=-Number.MAX_VALUE;
let rmax=-Number.MAX_VALUE;
constmid=((n-m)>>1)+m;
constl=helper(list,m,mid);
constr=helper(list,mid+1,n);
for(let i=mid;i>=m;i--){
sum+=list[i];
if(sum>lmax)lmax=sum;
}
sum=0;
for(let i=mid+1;i<=n;i++){
sum+=list[i];
if(sum>rmax)rmax=sum;
}
returnMath.max(l,r,lmax+rmax);
}
functionLSS(list){
returnhelper(list,0,list.length-1);
}
Java:
classMaximumSubarrayDivideConquer{
publicintmaxSubArrayDividConquer(int[]nums){
if(nums==null||nums.length==0)return0;
returnhelper(nums,0,nums.length-1);
}
privateinthelper(int[]nums,intl,intr){
if(l>r)returnInteger.MIN_VALUE;
intmid=(l+r)>>>1;
intleft=helper(nums,l,mid-1);
intright=helper(nums,mid+1,r);
intleftMaxSum=0;
intsum=0;
// left surfix maxSum start from index mid - 1 to l
for(inti=mid-1;i>=l;i--){
sum+=nums[i];
leftMaxSum=Math.max(leftMaxSum,sum);
}
intrightMaxSum=0;
sum=0;
// right prefix maxSum start from index mid + 1 to r
for(inti=mid+1;i<=r;i++){
sum+=nums[i];
rightMaxSum=Math.max(sum,rightMaxSum);
}
// max(left, right, crossSum)
returnMath.max(leftMaxSum+rightMaxSum+nums[mid],Math.max(left,right));
}
}
Python 3 :
importsys
classSolution:
defmaxSubArray(self,nums:List[int])->int:
returnself.helper(nums,0,len(nums)-1)
defhelper(self,nums,l,r):
ifl>r:
return-sys.maxsize
mid=(l+r)//2
left=self.helper(nums,l,mid-1)
right=self.helper(nums,mid+1,r)
left_suffix_max_sum=right_prefix_max_sum=0
sum=0
foriinreversed(range(l,mid)):
sum+=nums[i]
left_suffix_max_sum=max(left_suffix_max_sum,sum)
sum=0
foriinrange(mid+1,r+1):
sum+=nums[i]
right_prefix_max_sum=max(right_prefix_max_sum,sum)
cross_max_sum=left_suffix_max_sum+right_prefix_max_sum+nums[mid]
returnmax(cross_max_sum,left,right)
解法三 - 动态规划
思路
我们来思考一下这个问题, 看能不能将其拆解为规模更小的同样问题,并且能找出 递推关系。
我们不妨假设问题 Q(list, i) 表示 list 中以索引 i 结尾的情况下最大子序列和, 那么原问题就转化为 Q(list, i), 其中 i = 0,1,2...n-1 中的最大值。
我们继续来看下递归关系,即 Q(list, i)和 Q(list, i - 1)的关系, 即如何根据 Q(list, i - 1) 推导出 Q(list, i)。
如果已知 Q(list, i - 1), 我们可以将问题分为两种情况,即以索引为 i 的元素终止, 或者只有一个索引为 i 的元素。
如果以索引为 i 的元素终止, 那么就是 Q(list, i - 1) + list[i]
如果只有一个索引为 i 的元素,那么就是 list[i]
分析到这里,递推关系就很明朗了,即 Q(list,i)=Math.max(0,Q(list,i-1))+list[i]
举例说明,如下图:
(by snowan)
这种算法的时间复杂度 O(N), 空间复杂度为 O(1)
代码
JavaScript:
functionLSS(list){
constlen=list.length;
let max=list[0];
for(let i=1;i
list[i]=Math.max(0,list[i-1])+list[i];
if(list[i]>max)max=list[i];
}
returnmax;
}
Java:
classMaximumSubarrayDP{
publicintmaxSubArray(int[]nums){
intcurrMaxSum=nums[0];
intmaxSum=nums[0];
for(inti=1;i
currMaxSum=Math.max(currMaxSum+nums[i],nums[i]);
maxSum=Math.max(maxSum,currMaxSum);
}
returnmaxSum;
}
}
Python 3:
classSolution:
defmaxSubArray(self,nums:List[int])->int:
n=len(nums)
max_sum_ending_curr_index=max_sum=nums[0]
foriinrange(1,n):
max_sum_ending_curr_index=max(max_sum_ending_curr_index+nums[i],nums[i])
max_sum=max(max_sum_ending_curr_index,max_sum)
returnmax_sum
解法四 - 数学分析
思路
我们来通过数学分析来看一下这个题目。
我们定义函数 S(i) ,它的功能是计算以 0(包括 0)开始加到 i(包括 i)的值。
那么 S(j) - S(i - 1) 就等于 从 i 开始(包括 i)加到 j(包括 j)的值。
我们进一步分析,实际上我们只需要遍历一次计算出所有的 S(i), 其中 i 等于 0,1,2....,n-1。然后我们再减去之前的 S(k),其中 k 等于 0,1,i - 1,中的最小值即可。因此我们需要 用一个变量来维护这个最小值,还需要一个变量维护最大值。
这种算法的时间复杂度 O(N), 空间复杂度为 O(1)。
其实很多题目,都有这样的思想, 比如之前的《每日一题 - 电梯问题》。
代码
JavaScript:
functionLSS(list){
constlen=list.length;
let max=list[0];
let min=0;
let sum=0;
for(let i=0;i
sum+=list[i];
if(sum-min>max)max=sum-min;
if(sum
min=sum;
}
}
returnmax;
}
Java:
classMaxSumSubarray{
publicintmaxSubArray3(int[]nums){
intmaxSum=nums[0];
intsum=0;
intminSum=0;
for(intnum:nums){
// prefix Sum
sum+=num;
// update maxSum
maxSum=Math.max(maxSum,sum-minSum);
// update minSum
minSum=Math.min(minSum,sum);
}
returnmaxSum;
}
}
Python 3:
classSolution:
defmaxSubArray(self,nums:List[int])->int:
n=len(nums)
maxSum=nums[0]
minSum=sum=0
foriinrange(n):
sum+=nums[i]
maxSum=max(maxSum,sum-minSum)
minSum=min(minSum,sum)
returnmaxSum
总结
我们使用四种方法解决了 《最大子序列和问题》, 并详细分析了各个解法的思路以及复杂度,相信下次你碰到相同或者类似的问题 的时候也能够发散思维,做到 一题多解,多题一解。
实际上,我们只是求出了最大的和,如果题目进一步要求出最大子序列和的子序列呢?如果要题目允许不连续呢?我们又该如何思考和变通?如何将数组改成二维,求解最大矩阵和怎么计算?这些问题留给读者自己来思考。
关注我
如果你觉得文章内容对你有用,请分享给你的朋友,让更多的人看到它。另外欢迎关注我的微信公众号,里面会不定期分享数据结构和算法,以及面试相关内容。
java最大子序列和问题_一文看懂《最大子序列和问题》(内含Java,Python,JS代码)...相关推荐
- java rest 序列化_一文看懂Java序列化
一文看懂Java序列化 简介 首先我们看一下wiki上面对于序列化的解释. 序列化(serialization)在计算机科学的数据处理中,是指将数据结构或对象状态转换成可取用格式(例如存成文件,存于缓 ...
- angular 字符串转换成数字_一文看懂Python列表、元组和字符串操作
好文推荐,转自CSDN,原作星辰StarDust,感觉写的比自己清晰-大江狗荐语. 序列 序列是具有索引和切片能力的集合. 列表.元组和字符串具有通过索引访问某个具体的值,或通过切片返回一段切片的能力 ...
- 怎么看电脑系统是win几_一文看懂arm架构和x86架构有什么区别
一文看懂arm架构和x86架构有什么区别 本文主要介绍的是arm架构和x86架构的区别,首先介绍了ARM架构图,其次介绍了x86架构图,最后从性能.扩展能力.操作系统的兼容性.软件开发的方便性及可使用 ...
- 用户画像标签维度_一文看懂用户画像标签体系(包括维度、应用场景)
一文看懂用户画像标签体系(包括维度.应用场景) 互联网相关企业在建立用户画像时一般除了基于用户维度(userid)建立一套用户标签体系外,还会基于用户使用设备维度(cookieid)建立相应的标签体系 ...
- 判别两棵树是否相等 设计算法_一文看懂生成对抗网络 - GANs?(附:10种典型算法+13种应用)...
生成对抗网络 – GANs 是最近2年很热门的一种无监督算法,他能生成出非常逼真的照片,图像甚至视频.我们手机里的照片处理软件中就会使用到它. 本文将详细介绍生成对抗网络 – GANs 的设计初衷.基 ...
- 无处 不在的无线智能——6g 的关键驱动与研究挑战_一文看懂什么是 6G
原标题:一文看懂什么是 6G 2020年行将结束,随着5G网络的建设推进,以及3GPP R16版本的冻结,越来越多的人将关注焦点转移到6G身上. 7月14日,韩国三星电子发布了白皮书<下一代超连 ...
- mysql删除分表键_一文看懂 MySQL 分区和分表,提高表增删改查效率
原标题:一文看懂 MySQL 分区和分表,提高表增删改查效率 作者:冯帅,精通Oracle. MySQL. 擅长异构数据库数据同步及迁移.数据库的设计和调优,对高可用方案有深入研究. MySQL分区和 ...
- 天线巴伦制作和原理_一文看懂巴伦(功能原理、性能参数、基本类型)
原标题:一文看懂巴伦(功能原理.性能参数.基本类型) 巴伦(英语为balun)为一种三端口器件,或者说是一种通过将匹配输入转换为差分输出而实现平衡传输线电路与不平衡传输线电路之间的连接的宽带射频传输线 ...
- c java python go 哪种编程语言接近编程的本质_一图看懂编程语言迁移模式:终点站是Python、Go、JS...
新智元报道 来源:apenwarr 编辑:元子 [新智元导读]有着20年编程经验的资深程序员,以自己多年来的经历,总结出程序员的编程语言切换规律,做了一个主流编程语言的进阶流程图,展示不同编程语言之间 ...
最新文章
- 在用交叉熵损失函数时,只希望惩罚0.4-0.6这样模糊的值,应该怎么改?
- SQL函数类的操作,增加,查询
- [Leetcode] Reverse Integer
- 第二百二十三节,jQuery EasyUI,ComboBox(下拉列表框)组件
- ASP.NETCore的Kestrel服务器
- python3之批量修改文件名称
- python 字符串find方法怎么用_Python字符串find()方法
- 子集和问题 算法_LeetCode 90 | 经典递归问题,求出所有不重复的子集II
- 鬼灭之刃人物炫酷高清壁纸
- 宅在家里写数据库中联表查询
- 《5》CentOS7.0+OpenStack+kvm云平台部署—配置Horizon
- 强烈推荐一个在线caffe网络可视化工具!!
- JAVA写的模拟收发器设备面板工作状态并输出图形界面
- 心理们-位大师的50本书
- Java+Swing实现自助取款机(ATM)系统-TXT存储数据
- 【word毕业论文排版(1)】尾注的删除
- A-priori算法的简单实现
- html 两个input挨着,欧洲区预选赛直播 -官方网站
- for循环次数太多的时间优化_matlab for循环过大程序运行慢解决方案
- [多点触控测试]不用app,手机怎么测试屏幕触控点数
热门文章
- CCNP--PVLAN-----交换安全
- 以前手机的双电双充明明很好很实用的设计,为什么会消失?
- 浩辰3D软件中零件仿真设计究竟有哪些优势?
- NRF SDK中DFU采坑集锦
- ​全栈创新加速“算力网络”时代来临:英特尔携手中国移动共谱数智华章
- 虚拟机安装linux操作系统(Cent OS 7.9版本)
- 当造车成为风潮,谁帮助“造车党”连接未来?
- maven无法下载间接依赖包(The POM for com.demo:demo-common:jar:1.1.22 is invalid, transitive dependencies)
- mysql在php中存储过程写法
- 开工大吉 | 2021一起牛!