💕"我们好像在池塘的水底，从一个月亮走向另一个月亮。"💕
作者：Mylvzi
文章主要内容：算法系列–动态规划–⼦数组、⼦串系列（数组中连续的⼀段）(1)
大家好,今天为大家带来的是
算法系列--动态规划--⼦数组、⼦串系列（数组中连续的⼀段）(1),这是动态规划新的一种题型
1.最⼤⼦数组和
链接:
https://leetcode.cn/problems/maximum-subarray/
分析:
动态规划的子数组问题和前缀和问题是不一样的,
子数组和这道题要求的是子数组和的最大值,我们的状态表示就是记录以i位置为结束的所有子数组的最大和,而前缀和只是一种快速求出区间和的方法,并没有表示最大和这种状态
关于求最大子数组和问题这道题,要注意状态表示的含义以i位置为结尾的所有子数组的最大和,也就是必须以i位置为结尾,那么此时的状态其实只有两种:
- 单独一个
- 前面的一堆 + 它本身
网上的很多推到状态方程的时候其实很容易让人误解,解释的也不清楚,他们进行状态的分类是根据dp[i - 1]的正负来推导dp[i]的,有的人可能想为什么不判断nums[i]的正负呢?
其实本质都一样,笔者觉得单纯通过形式来推到方程更容易理解一些
子串/子数组问题的一个经验的状态分类就是按照长度分类的,因为他们的状态表示都比较固定,都是以i位置为结束的最大xxxx
有的题目还比较恶心(尤其是关于子串的问题),对于相同的子串有时候还需要去重,就需要额外开一个数组来统计次数
本题的分析思路:
代码:
class Solution {
public int maxSubArray(int[] nums) {
int n = nums.length;
int dp = 0;
int max = -0x3f3f3f3f;// 将最大/小值设置为+-ox3f3f3f3f是一种经验
for(int num : nums) {
dp = Math.max(num,dp + num);// 填表
max = Math.max(max,dp);// 更新最值
}
return max;
}
}
2.环形⼦数组的最⼤和
链接:
https://leetcode.cn/problems/maximum-sum-circular-subarray/description/
分析:
本题是上题的一个变种,这里带环了,对于带环的问题,我们最常用的一个做法是想办法将其转化为线性的,对于本题我们可以采用分类讨论的思想
根据什么区分类讨论呢?往往是根据最后结果可能出现的形式去考虑,对于本题,最长的子数组和可能是两种情况
- 不带环,在区间内部
- 带环,跨越区间
对于情况1,就是最大子数组和的解法,对于情况2,可以转化为求区间内的最小值,那么最大值就是sum - min,最后返回情况1和情况2的最大值即可
下面是详细分析过程
代码:
class Solution {
public int maxSubarraySumCircular(int[] nums) {
// 创建dp表
int n = nums.length;
if(n == 1) return nums[0];
int[] f = new int[n];
int[] g = new int[n];
// 初始化
f[0] = g[0] = nums[0];
int max = -0x3f3f3f3f;
int min = 0x3f3f3f3f;
int sum = nums[0];
// 填表
for(int i = 1; i < n; i++) {
f[i] = Math.max(nums[i],f[i - 1] + nums[i]);
g[i] = Math.min(nums[i],g[i - 1] + nums[i]);
max = Math.max(max,f[i]);
min = Math.min(min,g[i]);
sum += nums[i];
}
// 返回值
return sum == min ? max : Math.max(max,sum - min);
}
}
3.乘积最⼤⼦数组
链接:
https://leetcode.cn/problems/maximum-product-subarray/
分析:
首先想到的状态表示就是以i位置为结尾子数组的最大乘积,但是根据这个状态表示去推到状态转移方程时发现只使用一个dp表无法表示所有的情况
- 当
nums[i] > 0,i位置的状态就是前一个位置的最大乘积 * nums[i] - 当
nums[i] < 0,此时无法通过dp[i - 1]来推到dp[i],因为一个负数 * 较大的数一定会变小,那么dp[i]存储的就是以i位置为结尾的子数组的最小乘积,这与我们的状态表示是矛盾的
既然当nums[i] < 0时,需要乘的是以i-1位置为结尾的子数组的最小乘积,那么我们就创建出一个dp表g[i]来表示最小乘积,以下是详细分析过程:
代码:
class Solution {
public int maxProduct(int[] nums) {
// 创建dp表
int n = nums.length;
int[] f = new int[n];
int[] g = new int[n];
// 初始化
f[0] = g[0] = nums[0];
int max = f[0];
// 填表
for(int i = 1; i < n; i++) {
int t1 = 0, t2 = 0;
if(nums[i] > 0) {
f[i] = f[i - 1] * nums[i];
g[i] = g[i - 1] * nums[i];
}else {
f[i] = g[i - 1] * nums[i];
g[i] = f[i - 1] * nums[i];
}
f[i] = Math.max(nums[i],f[i]);
g[i] = Math.min(nums[i],g[i]);
max = Math.max(f[i],max);
}
return max;
}
}
4.乘积为正数的最⻓⼦数组
链接:
https://leetcode.cn/problems/maximum-length-of-subarray-with-positive-product/description/
分析:
本题相较于上题有两个不同:
- 本题要求乘积必须为正数
- 本题求解的不是最大的乘积,而是乘积为正数的最长子数组
和上题一样,本题同样需要使用两个dp表来进行状态表示
f[i]:以i位置为结尾,乘积为正数的最大子数组长度g[i]:以i位置为结尾,乘积为负数的最大子数组长度
状态转移方程推导如下:
注意特殊情况:
- 当n[i] < 0时,
f[i] == g[i - 1] + 1,但是如果i位置之前全是正数,此时g[i - 1] == 0,那么f[i] == 0 + 1 = 1了,但是因为n[i] < 0,i位置的f[i]应该等于 0,因为所有的以i位置为结尾的子数组的乘积必然为负数
代码:
class Solution {
public int getMaxLen(int[] nums) {
int n = nums.length;
// 1.创建dp表
int[] f = new int[n];
int[] g = new int[n];
// 2.根据状态表示进行初始化
f[0] = nums[0] > 0 ? 1 : 0;
g[0] = nums[0] < 0 ? 1 : 0;
int max = -0x3f3f3f3f;
// 3.填表
for(int i = 1; i < n; i++) {
if(nums[i] > 0) {
f[i] = f[i - 1] + 1;
g[i] = g[i - 1] == 0 ? 0 : g[i - 1] + 1;
}else if(nums[i] < 0){
f[i] = g[i - 1] == 0 ? 0 : g[i - 1] + 1;
g[i] = f[i - 1] + 1;
}else {
f[i] = g[i] = 0;// 注意等于0相当于直接截断 要重新计数 从0开始
}
max = Math.max(f[i],max);// 更新长度
}
// 处理n == 1的情况
return max == -0x3f3f3f3f ? f[0] : max;
}
}
总结:
- 子数组问题最常用的一种状态表示就是
以i位置为结尾的xxxx - 在推导状态转移方程时,往往是根据
组成子数组的形态来分类讨论(单独一个还是和前面一堆组成子数组)
