从零打卡leetcode之day 3--最大子序列
前言
深知自己在算法方面上很菜，于是打算通过打卡的方式，逼自己一把。每天在leetcode上打卡，并且把自己的想法分享出来。这将是一段漫长而又艰辛的旅程。如果你也想和我一起走上一条充满艰辛的航路，那么，别犹豫了，上车吧，一起学习一起探讨。
吐槽下：发的有点晚了，本来早早就发的。不知为啥，复制到公众号里的代码好好的，用markdown渲染一下也是好好的，但是点击一保存或者一预览内容，代码的格式就会各种 错乱，搞了我好久，最后还不小心把我弄好的markdown渲染的css样式给删除了......最后还粘贴不了图片....奔溃啊。加上写了两篇文章...
从零打卡leetcode之day 3
题目描述：
给定一个int类型的数组，求最大子序列的和。
也就是说，从这个数组中截取一个子数组，
这个子数组的元素和最大。
例如：
-1 20 -4 14 -4 -2
这个数组的最大字序列和为30。即20 -4 14。解题
1.初级版解法
对于这道题，其实我们可以采取遍历所有可能的组合，然后再比较哪种组合的和最大。
也就是说，我们可以找出所有子序列，然后逐个比较。代码如下。
public int solve(int[] arrs){
int max = 0;//用来存放目标子序列的和
int temp = 0;//用来存每个子序列的和
for(int i = 0; i < arrs.length; i++){
for(int j = i; j < arrs.length; j++){
temp = 0;
//计算子序列的和
for(int k = 0; k < arrs.length; k++){
temp += arrs[k];
}
//进行比较
if(temp > max){
max = temp;
}
}
}
return max;
}`在这三个循环中，外面两个循环枚举出所有子序列，第三个循环计算子序列的和。
看到三个for循环，时间复杂度的O(n3)。这速度，实在是太慢了。我们来优化优化。
2.进阶版
其实，你仔细看一下里面的那两层for循环，会发现其实可以把它们合并成一个for循环的。
也就是说，我们可以在枚举所有子序列的过程中，是可以一边进行数据处理的。还是直接看代码好理解点。如下：
public int solve2(int[] arrs){
int max = 0;
int temp = 0;
for(int i = 0; i < arrs.length; i++){
temp = 0;
for(int j = i; j < arrs.length; j++){
//一边处理数据
temp += arrs[j];
//进行比较选择
if(max < temp){
max = temp;
}
}
}
return temp;
}该方法用了两个for循环，时间复杂度为O(n2)，相对来说好了一点。
3.再次优化进阶
这次，我们可以使用递归的思想来处理。递归最重要的就是要找到：
递归的结束条件
把问题分解成若干个子问题。
对于这道题，其实我们可以把序列分成左右两部分。那么，最大子序列和的位置会出现在以下三种情况：
子序列完全在左半部分。
子序列完全在右半部分。
一部分在左，一部分在右。
所以我们只要分别求出左半部分的最大子序列和、右半部分的最大子序列和(注意，问题已经转化为求左右两部分的最大子序列和了，也就是说问题被分解成若干子问题了)、以及跨越左右两部分的最大子序列和。最后比较三者之中哪个比较大就可以了。
如何求解左半部分和右半部分的最大子序列？
其实道理一样，把左半部分和右半部分再次分解左右两部分就可以了。
那么，如何求解跨越左右两部分的最大子序列呢？
其实只要求出包含左半部分中最右边元素的子序列的最大和，以及求出包含右半部分中最左边元素的子序列的最大和，然后让两者相加，即可求出跨域左右两部分的最大子序列和了。
子问题已经分解出来了，那么递归的结束条件是什么？
我们把数组分成左右两部分，其实当左右两部分只有一个元素时，递归结束。
这道题的递归思路算是找出来了，不过，代码实现？假如你对递归不大熟悉的话，可能在实现上还是有那么点困难的。对于递归的学习，大家也可以看我写的关于递归与动态规划的几篇文章。
我就直接抛代码了。
//递归版本
public int solve3(int[] arrs, int left, int right){
int max = 0;
//表示只有一个元素，无需在分解
if(left == right){
//为什么？因为低于0的数肯定不可以是最大值的
//大不了最大值为0
max = arrs[left] >= 0 ? arrs[left]:0;
}else{
int center = (left + right)/2;
//求解左半部分最大子序列
int leftMax = solve3(arrs, left, center);
//求解右半部分最大子序列
int rightMax = solve3(arrs, center+1, right);
//求解kua跨越左右两部分的最大子序列
//1.求包含左部分最右元素的最大和
int l = 0;
int l_max = 0;
for(int i = center; i >= left; i--){
l += arrs[i];
if(l > l_max){
l_max = l;
}
}
//2.求包含右部分最左元素的最大和
int r = 0;
int r_max = 0;
for(int i = center+1; i <= right; i++){
r += arrs[i];
if(r > r_max){
r_max = r;
}
}
//跨越左右两部分的最大子序列
max = l_max + r_max;
//取三者最大值
if(max < leftMax) max = leftMax;
if(max < rightMax) max = rightMax;
}
return max;
}递归求解方法的时间复杂度为O(nlgn)。这速度，比第一种做法，不知道快了几个级别….
递归解法可以说是很快的了
但是，等等，我还是不满意…
4.最终版:动态规划
接下来的最终版，时间复杂度可以缩减到O(n), 虽然说是采用了动态规划的思想，不过，我觉得你没学过动态规划也可以看懂。
假如我给你
1 2 -4 5 6五个元素，你在计算前面三个元素的时候，即
1 + 2 + -4 = -1
发现前面三个元素的和是小于0的，那么，这个
1 2 -4
的子序列我们还要吗？显然，这个子序列的和都小于0了，我们是可以直接淘汰的。因为如果还要这个子序列的话，它和后面的5一相加，结果变成了4，我们还不如让我们的目标子序列直接从5开始呢。
先看代码吧，可能反而会好理解点
//基于动态规划的思想
public int solve4(int[] arrs){
int max = 0;//存放目标子序列的最大值
int temp = 0;//存放子序列的最大值
for(int i = 0; i < arrs.length; i++){
temp += arrs[i];
if(temp > max){
max = temp;
}else{
//如果这个子序列的值小于0，那么淘汰
//从后面的子序列开始算起
if(temp < 0){
temp = 0;
}
}
}
return max;
}这道题不是leetcode上的题目，不过我觉得这道题很不错，所以拿出来分享给大家。
如果你有什么不大清楚的，欢迎微信群里讨论，当然也可以直接来问我勒。欢迎转发让更多人加入打卡行列勒。
如果这道题能对你有所帮助，不妨点个赞。哈哈
推荐阅读：
假如你有更好的做法，欢迎提出来让大家涨涨知识哦。由于该公众号没有留言功能，为了大家更好的交流，我创建了一个微信群，大家可以在这里谈论有关算法的问题。不过该群是禁止发推文的。需要进群的伙伴可以加我为好友，备注“从0打卡leetcode”，我拉你进群。