动态规划 - 最大子段跟
动态规划 - 最大子段和
(2) 穷举法改进版
(3) 动态规划
(4)动态规划的改进版
给定一个数组A[A0,A1,A2,...,An],求数组中 连续子段之和 的最大值。
(1)最简单的算法:穷举法
计算所有的连续子段之和,得出最大值
// 穷举法:计算所有的子序列和 // O(n^3) public static int maxSum1(int[] data) { int max = data[0], tmp; for (int i = 0; i < data.length; i++) { for (int j = i; j < data.length; j++) { tmp = 0; for (int k = i; k <= j; k++) { tmp += data[k]; } max = tmp > max ? tmp : max; } } return max; }
(2) 穷举法改进版
去除
for (int k = i; k <= j; k++)是的算法复杂度减为O(n^2)
// maxSum2的改进版 // O(n^2) public static int maxSum2(int[] data) { int max = data[0], tmp; for (int i = 0; i < data.length; i++) { tmp = 0; for (int j = i; j < data.length; j++) { tmp += data[j]; max = tmp > max ? tmp : max; } } return max; }
(3) 动态规划
/** * M[j] = MAX(A[i]+A[i+1]+...+A[j]) i : 0~j * M[j] = M[j-1]+A[j] M[j-1]>=0 * = A[j] M[j-1]<0 * max = MAX(M[j]) j : 0~n * M[j]是最后一项为A[j]的0~j之间的最大子段和,M的最大值即为最大子段和 * O(n) */ public static int maxSum3(int[] data) { int[] M = new int[data.length]; M[0] = data[0]; for (int j = 1; j < data.length; j++) { if (M[j - 1] < 0) { M[j] = data[j]; } else { M[j] += data[j]; } } int max = M[0]; for (int j = 1; j < M.length; j++) { if (max < M[j]) max = M[j]; } return max; }
+最优子结构
整个数组的最大子项和,一定包含子数组的最大子项和。MAX(M[j])
+建立递归关系
自顶向下,建立递归关系,至最原子态的问题.
M[j] = M[j-1]+A[j] M[j-1]>=0
= A[j] M[j-1]<0
+自底向上,计算各个子问题的最优解
由最原子态的问题(M[0]=data[0])的最优解开始,构建全部子问题的最优解,并记录过程
+求解整个问题的最优解
由全部子问题的最优解,自顶向下,组合出整个问题的最优解
比较得出M的最大值。
(4)动态规划的改进版
/**
* { 1, -2, 4, 10, -3, 5, 4, 6, 10, -30 }
* max 1 1 4 14 14 16 20 26 36 36
* tmp 1 -1 4 14 11 16 20 26 36 6
* maxSum3的改进版,maxSum3中在最后寻找最大值,可改为在循环过程中只保存M的最大值
*/
public static int maxSum(int[] data) {
int max = data[0], tmp = 0;
for (int i = 0; i < data.length; i++) {
if (tmp > 0) {
tmp += data[i];
} else {
tmp = data[i];
}
if (max < tmp) {
max = tmp;
}
}
return max;
}