【每日算法】动态规划1(中等)

简介: 动态规划

16fb98eea012ef0cb446588ddc50662.png

题目

剑指 Offer 63. 股票的最大利润

假设把某股票的价格按照时间先后顺序存储在数组中,请问买卖该股票一次可能获得的最大利润是多少?

示例:

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。
复制代码

分析

股票问题也是个经典的动态规划类型题

还是按照动态规划的解题步骤来

  • 定义 dp 数组

dp[n] 表示第n天卖出获取利润, m 表示第 m 天买入价格最低 (j < i)

  • 写出状态转移方程
dp[n] = prices[n] - prices[m] (if dp[n] < 0 => m = n)
  • 迭代求解 dp 数组
  • 求出 dp 数组的最大值

实现

function maxProfit(prices: number[]): number {
    let dp: number[] = []
    dp[0] = - prices[0]
    let minIdx: number = 0
    let i: number = 1
    while(i < prices.length) {
        dp[i] = prices[i] - prices[minIdx]
        if (dp[i] < 0) {
            minIdx = i
        }
        i ++
    }
    let res = Math.max(...dp)
    return res > 0 ? res : 0
};
复制代码

题目

剑指 Offer 42. 连续子数组的最大和

输入一个整型数组,数组中的一个或连续多个整数组成一个子数组。求所有子数组的和的最大值。

要求时间复杂度为O(n)。

示例:

输入: nums = [-2,1,-3,4,-1,2,1,-5,4]
输出: 6
解释: 连续子数组 [4,-1,2,1] 的和最大,为 6。
复制代码

分析

这道题一开始做的时候有点懵,卡在了dp数组的定义上,后来看了解析才知道自己总想一步到位把问题变复杂了

除开动态规划的解题思路,还要合理的设计最终的返回值

本题的最终返回值不是直接从 dp 数组中取,而是在 dp 数组中找一个最大值,理解了这一点就简单了

  • 定义 dp 数组

dp[i] 表示以 i 下标结尾的和最大字数组的值

  • 写出 dp 状态转移方程
dp[n] = max{dp[n-1] + nums[n], nums[n]}
  • 初始化 dp 数组
dp[0] = nums[0]
  • 迭代求解 dp 数组
  • 求出 dp 数组中的最大值

最终结果 max{dp[0],...,dp[n]}

实现

function maxSubArray(nums: number[]): number {
    let dp: number[] = []
    dp[0] = nums[0]
    let i: number = 1
    while(i < nums.length) {
        dp[i] = Math.max(dp[i-1]+nums[i], nums[i])
        i ++
    }
    return Math.max(...dp)
};
相关文章
|
3月前
|
机器学习/深度学习 存储 算法
动态规划算法深度解析:0-1背包问题
0-1背包问题是经典的组合优化问题,目标是在给定物品重量和价值及背包容量限制下,选取物品使得总价值最大化且每个物品仅能被选一次。该问题通常采用动态规划方法解决,通过构建二维状态表dp[i][j]记录前i个物品在容量j时的最大价值,利用状态转移方程避免重复计算子问题,从而高效求解最优解。
525 1
|
存储 算法
深入了解动态规划算法
深入了解动态规划算法
357 1
|
10月前
|
存储 算法 Java
算法系列之动态规划
动态规划(Dynamic Programming,简称DP)是一种用于解决复杂问题的算法设计技术。它通过将问题分解为更小的子问题,并存储这些子问题的解来避免重复计算,从而提高算法的效率。
411 4
算法系列之动态规划
|
算法 测试技术 C++
【动态规划算法】蓝桥杯填充问题(C/C++)
【动态规划算法】蓝桥杯填充问题(C/C++)
|
算法 开发者 Python
惊呆了!Python算法设计与分析,分治法、贪心、动态规划...这些你都会了吗?不会?那还不快来学!
【7月更文挑战第10天】探索编程巅峰,算法至关重要。Python以其易读性成为学习算法的首选。分治法,如归并排序,将大问题拆解;贪心算法,如找零问题,每步求局部最优;动态规划,如斐波那契数列,利用子问题解。通过示例代码,理解并掌握这些算法,提升编程技能,面对挑战更加从容。动手实践,体验算法的神奇力量吧!
209 8
|
11月前
|
算法 Java C++
【潜意识Java】蓝桥杯算法有关的动态规划求解背包问题
本文介绍了经典的0/1背包问题及其动态规划解法。
391 5
|
10月前
|
算法 安全 调度
【动态规划篇】穿越算法迷雾:约瑟夫环问题的奇幻密码
【动态规划篇】穿越算法迷雾:约瑟夫环问题的奇幻密码
|
10月前
|
机器学习/深度学习 算法 测试技术
【动态规划篇】01 背包的逆袭:如何用算法装满你的 “财富背包”
【动态规划篇】01 背包的逆袭:如何用算法装满你的 “财富背包”
|
算法
动态规划算法学习三:0-1背包问题
这篇文章是关于0-1背包问题的动态规划算法详解,包括问题描述、解决步骤、最优子结构性质、状态表示和递推方程、算法设计与分析、计算最优值、算法实现以及对算法缺点的思考。
627 2
动态规划算法学习三:0-1背包问题
|
算法 Python
在Python编程中,分治法、贪心算法和动态规划是三种重要的算法。分治法通过将大问题分解为小问题,递归解决后合并结果
在Python编程中,分治法、贪心算法和动态规划是三种重要的算法。分治法通过将大问题分解为小问题,递归解决后合并结果;贪心算法在每一步选择局部最优解,追求全局最优;动态规划通过保存子问题的解,避免重复计算,确保全局最优。这三种算法各具特色,适用于不同类型的问题,合理选择能显著提升编程效率。
269 2