一、买卖股票的最佳时机(只能买卖一次)
1.1 题目
给定一个数组 prices
,它的第 i
个元素 prices[i]
表示一支给定股票第 i
天的价格。
你只能选择 某一天 买入这只股票,并选择在 未来的某一个不同的日子 卖出该股票。设计一个算法来计算你所能获取的最大利润。
返回你可以从这笔交易中获取的最大利润。如果你不能获取任何利润,返回 0
。
示例 1:
输入:[7,1,5,3,6,4] 输出:5 解释:在第 2 天(股票价格 = 1)的时候买入,在第 5 天(股票价格 = 6)的时候卖出,最大利润 = 6-1 = 5 。 注意利润不能是 7-1 = 6, 因为卖出价格需要大于买入价格;同时,你不能在买入前卖出股票。
示例 2:
输入:prices = [7,6,4,3,1] 输出:0 解释:在这种情况下, 没有交易完成, 所以最大利润为 0。
提示:
1 <= prices.length <= 10^5
0 <= prices[i] <= 10^4
1.2 题目链接
121.买卖股票的最佳时机
1.3 解题思路和过程想法
(1)解题思路
注:在卖之前需先有买入操作
贪心策略:以最左最小值为买价,最右最大值为卖价,中间差值即为获利。随着遍历的过程,不断更新区间内差值。
动态规划:用 dp[i][0] 记录——第 i 天持有股票的最大现金(是负值,即最小成本)
用 dp[i][1] 记录——第 i 天未持有股票的最大现金(是正值,即最大盈利)
递推思想:最大当前的现金价值——最小成本,最大盈利
注:为降低空间复杂度,此处只用两个变量存储相应中间结果,类同于一维滚动数组
(2)过程想法
贪心策略是比较好想的,动态规划的思路需要思考一会
1.4 代码
1.4.1 贪心策略
class Solution:
def maxProfit(self, prices: List[int]) -> int:
# 初始化买卖价格
buy = float('inf')
profit = 0
for i in range(len(prices)):
# 当前价格低于原买价,更新买价
if prices[i] < buy:
buy = prices[i]
# 已经有买价的情况下,如果有盈利则更新;例如 3 5 0 4
elif buy != float('inf') and prices[i] >= buy:
profit = max(profit, prices[i] - buy)
return profit
1.4.2 动态规划策略
class Solution:
def maxProfit(self, prices: List[int]) -> int:
# 数组:dp[0] 表示第 i 天持有股票最低的成本;dp[1] 表示第 i 天持有股票所能赚的钱
# 递推关系: dp_0 = max(dp_0, -prices[i]) dp_1 = max(dp_1, dp_0+prices[i])
dp_0 = -prices[0]
dp_1 = 0
for i in range(1,len(prices)):
dp_0 = max(dp_0, -prices[i])
dp_1 = max(dp_1, dp_0+prices[i])
return dp_1
二、买卖股票的最佳时机 II(可以买卖无限次)
2.1 题目
给你一个整数数组 prices
,其中 prices[i]
表示某支股票第 i
天的价格。
在每一天,你可以决定是否购买和/或出售股票。你在任何时候 最多 只能持有 一股 股票。你也可以先购买,然后在 同一天 出售。
返回 你能获得的 最大 利润 。
示例 1:
输入:prices = [7,1,5,3,6,4] 输出:7 解释:在第 2 天(股票价格 = 1)的时候买入,在第 3 天(股票价格 = 5)的时候卖出, 这笔交易所能获得利润 = 5 - 1 = 4 。 随后,在第 4 天(股票价格 = 3)的时候买入,在第 5 天(股票价格 = 6)的时候卖出, 这笔交易所能获得利润 = 6 - 3 = 3 。 总利润为 4 + 3 = 7 。
示例 2:
输入:prices = [1,2,3,4,5] 输出:4 解释:在第 1 天(股票价格 = 1)的时候买入,在第 5 天 (股票价格 = 5)的时候卖出, 这笔交易所能获得利润 = 5 - 1 = 4 。 总利润为 4 。
示例 3:
输入:prices = [7,6,4,3,1] 输出:0 解释:在这种情况下, 交易无法获得正利润,所以不参与交易可以获得最大利润,最大利润为 0 。
提示:
1 <= prices.length <= 3 * 10^4
0 <= prices[i] <= 10^4
2.2 题目链接
122.买卖股票的最佳时机 II
2.3 解题思路和过程想法
(1)解题思路
注:在卖之前需先有买入操作
贪心策略:# 局部最优:当天有收益就交易
# 整体最优:所有局部区间的叠加
动态规划:用 dp[i][0] 记录——第 i 天持有股票的最大现金(不一定是负值,即最小成本)
用 dp[i][1] 记录——第 i 天未持有股票的最大现金(是正值,即最大盈利)
递推思想:最大当前的现金价值——最小成本,最大盈利
区别:持有股票的最小成本的式子更新为 dp_1 - prices[i]
注:为降低空间复杂度,此处只用两个变量存储相应中间结果,类同于一维滚动数组
(2)过程想法
在简单的思路中,贪心是比较好想的,但其思路在稍复杂的题中并不适用。
2.4 代码
2.4.1 贪心策略文章来源:https://www.toymoban.com/news/detail-775241.html
class Solution:
def maxProfit(self, prices: List[int]) -> int:
# 局部最优:当天有收益就交易
# 整体最优:所有局部区间的叠加
profit = 0
for i in range(1,len(prices)):
profit += max((prices[i] -prices[i-1]),0)
return profit
2.4.2 动态规划策略文章来源地址https://www.toymoban.com/news/detail-775241.html
class Solution:
def maxProfit(self, prices: List[int]) -> int:
# 数组:dp[0] 表示第 i 天持有股票的最低成本;dp[1] 表示第 i 天不持有股票能赚的钱
# 因为可交易多次,所以 dp[0] 在持有之前可能手里有盈利的钱,不一定是0
# 递推关系: dp_0 = max(dp_0, dp_1 - prices[i]) dp_1 = max(dp_1, dp_0+prices[i])
dp_0 = -prices[0]
dp_1 = 0
for i in range(1,len(prices)):
dp_0 = max(dp_0, dp_1 - prices[i])
dp_1 = max(dp_1, dp_0 + prices[i])
return dp_1
到了这里,关于研习代码 day42 | 动态规划——买卖股票的最佳时机 I II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!