子数组问题
【动态规划】子数组系列(上)
1. 最大子数组和
传送门:力扣53最大子数组和
题目:
1.1 题目解析
示例:
1.2 算法原理
在没有学动态规划之前,我们的做法可能就是暴力得到所有子数组,求其中子数组和最大是多少~
- 这里将以动态规划的方法去解决问题!
1.2.1 状态表示
这里的状态表示也是通过“经验 + 题目要求”
- 题目要求:返回最大和,一维数组
- 建立一维dp表,大小为n
- 一维解决不了再上升二维
- 经验:以什么为结尾 / 以什么为起点
- 这里以…为结尾即可
得到状态表示:
- dp[i]表示,以nums[i]为结尾的子数组中的最大和
1.2.2 状态转移方程
得到状态转移方程的重点就是:
-
理清楚逻辑
- 本题要分为两种情况:
- 一个元素的子数组
- 大于1个元素的子数组
-
理所当然地把dp表已填的数据当成绝对正确的值
以i为结尾,有两种情况:
- 子数组长度为1:nums[i]
- 子数组长度大于1:
- 那么这个子数组至少有nums[i - 1]为结尾的子数组 + nums[i]
- 所以就是max{nums[i - 1]为结尾的子数组和} + nums[i]
- 即dp[i - 1] + nums[i]
得到状态转移方程:
dp[i] = nums[i] + max{0, dp[i - 1]};
1.2.3 初始化
对于第一个节点,需要规避一下越界问题~
- 很明显,应该dp[0] = nums[0]
或者加虚拟节点 => 大小为(n+1),结合状态转移方程,dp[0] = 0不会影响dp表原有值
- 注意:下标对应问题
1.2.4 填表顺序
从左往右填表,保证dp[i - 1]已填写
1.2.5 返回值
并不是返回最后一个节点的值哦,因为最大子数组和不一定以最后一个节点为结尾,而是求dp表的最大值
- 不要算虚拟节点,因为这个数组全是负的的话,那么虚拟节点就为最大值了~
1.3 代码实现
class Solution {
public int maxSubArray(int[] nums) {
//1. 创建dp表
//2. 初始化
//3. 填表
//4. 返回值
int n = nums.length;
int[] dp = new int[n + 1];
int max = Integer.MIN_VALUE;
for(int i = 1; i < n + 1; i++) {
dp[i] = Math.max(0, dp[i - 1]) + nums[i - 1];
max = Math.max(dp[i], max);
}
return max;
}
}
- 可以边填表边判断最大值
-
+nums[i - 1]哦,因为我们多加了个虚拟节点
2. 环形子数组的最大和
传送门:力扣918
题目:
2.1 题目解析
2.2 算法原理
2.2.1 状态表示
与前一道题一致:
但是我们可以注意到,如果这样的话,我们在填第一个数据的时候,dp[0]是填不出来的,并且dp[i - 1]可能包括了nums[i]这个点(由于环形)
所以在状态表示的时候就要进行逻辑的分析:
- 我们可以分为两个情况:
- 常规子数组
- 环型子数组
- 而后者的求法是和常规的一样
前者则可以看成一下理解方式:
所以环形子数组的最大化就是紫色的最小化
- 所以我们还需要知道“最小数组和”!
- 这也演变成了多状态问题!
f[i]代表已i为结尾的子数组的最大和
g[i]代表已i为结尾的子数组的最小和
而这两个都不考虑“环”的存在!
2.2.2 状态转移方程
f,g表两者类似:
有:
f[i] = nums[i] + max{0, f[i - 1]}
g[i] = nums[i] + min{0, g[i - 1]}
2.2.3 初始化
虚拟节点法
- 不影响原dp值
- 下标对应问题
2.2.4 填表顺序
从左往右两个表一起填
2.2.5 返回值
在f表中找到最大值 => max{f[ ]} => 常规子数组的最大和
在g表中找到最小值 => sum - min{g[ ]} => 环形子数组的最大和
注意,还有一个细节!
- 如果sum == min{g[ ]},那么最大和就为0了?
- 并不是,因为环形子数组也至少要有一个元素!所以这里应该是负无穷大
- 这样则代表的是环形子数组无可能为最大和
3. 代码实现
class Solution {
public int maxSubarraySumCircular(int[] nums) {
//1. 创建dp表
//2. 初始化
//3. 填表
//4. 返回值
int n = nums.length;
int[] f = new int[n + 1];
int[] g = new int[n + 1];
int max = Integer.MIN_VALUE;
int min = Integer.MAX_VALUE;
int sum = 0;
for(int i = 1; i < n + 1; i++) {
f[i] = Math.max(0, f[i - 1]) + nums[i - 1];
g[i] = Math.min(0, g[i - 1]) + nums[i - 1];
max = Math.max(max, f[i]);
min = Math.min(min, g[i]);
sum += nums[i - 1];
}
return sum == min ? max : Math.max(max, sum - min);
}
}
- 下标对应!
- 特殊情况处理!
3. 乘积最大子数组
传送门:力扣152
题目:
3.1 题目解析
3.2 算法原理
3.2.1 状态表示
根据经验 + 题目要求,我们可以快速得到,一维dp表(大小为n),dp[i]代表以i为结尾的子数组的乘积最大值~
但是我们稍微想一想状态转移方程(这些步骤其实在做题过程中,是没有明显的分割的)
- 如果nums[i]为负数,那么我们要得到dp[i],用到dp[i - 1](到i - 1的子数组的最大乘积),nums[i] * dp[i - 1]反而成为了最小值~
所以一个dp表是解决不了问题的!
刚才我们得到了最小值,那么反着看,如果我们要得到最大值,那么就需要前者的最小值
- 则得出,我们是需要知道“乘积最小值”
故,演变成了多状态问题
f[i]代表i为结尾的子数组的乘积最大值
g[i]代表i为结尾的子数组的乘积最小值
3.2.2 状态转移方程
对于f表:
- 子数组大小为1,f[i] = nums[i];
- 子数组大小大于1
- nums[i] < 0, f[i] = nums[i] * g[i - 1]
- nums[i] > 0, f[i] = nums[i] * f[i - 1](由于nums为整数数组,所以没有乘积后变小的情况)
- nums[i] == 0, f[i] = 0
对于g表:
- 子数组大小为1,g[i] = nums[i];
- 子数组大小大于1
- nums[i] < 0, g[i] = nums[i] * f[i - 1]
- nums[i] > 0, g[i] = nums[i] * g[i - 1](由于nums为整数数组,所以没有乘积后变大的情况)
- nums[i] == 0, f[i] = 0
所以得到状态转移方程:
f[i] = max{nums[i], nums[i] * f[i - 1], nums[i] * g[i - 1]};
- 0可以省去,因为有一个大于等于0的数
g[i] = min{nums[i], nums[i] * f[i - 1], nums[i] * g[i - 1]};
- 0可以省去,因为有一个小于等于0的数
这样写就无需判断nums[i]正负~
3.2.3 初始化
虚拟节点法:
- 不影响原有值
- 下标对应问题
1乘以任何值都不会改变其值,所以两个表前添加一个1的节点即可
3.2.4 填表顺序
从左往右,两个表一起填
3.2.5 返回值
返回f表中的最大值(不包含虚拟节点)
3.3 编写代码
class Solution {
public int maxProduct(int[] nums) {
//1. 创建dp表
//2. 初始化
//3. 填表
//4. 返回值
int n = nums.length;
int[] f = new int[n + 1];
int[] g = new int[n + 1];
f[0] = 1;
g[0] = 1;
int max = Integer.MIN_VALUE;
for(int i = 1; i < n + 1; i++) {
int number = nums[i - 1];
f[i] = Math.max(number, Math.max(number * f[i - 1], number * g[i -1]));
g[i] = Math.min(number, Math.min(number * f[i - 1], number * g[i -1]));
max = Math.max(max, f[i]);
}
return max;
}
}
- 注意下标对应!
4. 乘积为整数的最长子数组长度
传送门:力扣1567
题目:
4.1 题目解析
4.2 算法原理
4.2.1 状态表示
根据“经验 + 题目要求”快速得到,一维dp表,大小为n,dp[i]代表“乘积正数子数组最长长度”
- 同样的,如果只是正数的最长长度,是不能解决问题的,因为nums[i]小于0,dp[i],无法用dp[i - 1]去表示!
而nums[i]小于0,我们需要“负数”去负负得正
- 所以我们还需要“乘积负数子数组最长长度”
所以演变成多状态问题:
f[i]代表乘积正数子数组最长长度
g[i]代表乘积负数子数组最长长度
4.2.2 状态转移方程
对于f表:
- 子数组长度为1
- nums[i] > 0, f[i] = 1
- nums[i] <= 0, f[i] = 0
- 子数组长度大于1
- nums[i] > 0, f[i] = 1 + f[i - 1](正数延续)
- nums[i] < 0, f[i] = 1 + g[i - 1](负负得正)
- nums[i] = 0, f[i] = 0
nums[i] = 0,前功尽弃~
细节:
nums[i] < 0, g[i - 1] == 0,则f[i] = 0!
对于g表:
- 子数组长度为1
- nums[i] < 0, g[i] = 1
- nums[i] >= 0, g[i] = 0
- 子数组长度大于1
- nums[i] > 0, g[i] = 1 + g[i - 1](负数延续)
- nums[i] < 0, g[i] = 1 + f[i - 1](正负得负)
- nums[i] = 0, g[i] = 0
nums[i] = 0,前功尽弃~
细节:
nums[i] > 0, g[i - 1] == 0,则g[i] = 0!
所以得到状态转移方程:
-
nums[i] == 0时,f[i] = 0, g[i] = 0,java数组本身就是0~
-
nums[i] < 0 时
- f[i] = g[i - 1] == 0 ? 0 : 1 + g[i - 1]
- g[i] = 1 + f[i - 1]
-
nums[i] > 0时
- f[i] = 1 + f[i - 1]
- g[i] = g[i - 1] == 0 ? 0 : 1 + g[i - 1]
4.2.3 初始化
用假数据法,f表和g表前面加一个值为0的假节点
- 不影响原值
- 下标对应问题
4.2.4 填表顺序
从左往右,两个表一起填
4.2.5 返回值
f表最大值(不包含假节点)
4.3 代码实现
class Solution {
public int getMaxLen(int[] nums) {
//1. 创建dp表
//2. 初始化
//3. 填表
//4. 返回值
int n = nums.length;
int[] f = new int[n + 1];
int[] g = new int[n + 1];
int max = 0;
for(int i = 1; i < n + 1; i++) {
if(nums[i - 1] > 0) {
f[i] = 1 + f[i - 1];
g[i] = g[i - 1] == 0 ? 0 : 1 + g[i - 1];
}else if(nums[i - 1] < 0) {
f[i] = g[i - 1] == 0 ? 0 : 1 + g[i - 1];
g[i] = 1 + f[i - 1];
}
max = Math.max(max, f[i]);
}
return max;
}
}
- 注意下标对应!
文章到此结束!谢谢观看
可以叫我 小马,我可能写的不好或者有错误,但是一起加油鸭🦆!代码位置:DP05 · 游离态/马拉圈2023年7月 - 码云 - 开源中国 (gitee.com)文章来源:https://www.toymoban.com/news/detail-538705.html
还有下集~文章来源地址https://www.toymoban.com/news/detail-538705.html
到了这里,关于【动态规划】子数组系列(上)的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!