求最大子数组和问题

一个有N个整数元素的一维数组(A[0],A[1],…A[N-1]),这个数组有很多子数组,求子数组和的最大值?注意:子数组必须是连续的、不需要返回子数组的具体位置、数组中包含:正、负、零整数、子数组不能空。
例如:
int A[5] = {-1,2,3,-4,2};
符合条件的子数组为2,3,即答案为5;
穷举法:

public static int MaxSubStringSum(int[] array,int n) {
        int sum,MaxSum =array[0];
        /*i是数组的最左端*/
        for(int i=0;i<n;i++) {
            /*j是数组的最右端*/
            for(int j =i;j<n;j++) {
                //sum是array[i]到array[j]的子数组的和
                sum = 0;
                for (int k = i; k <= j; k++)
                    sum += array[k];
                    if(sum > MaxSum)//如果刚得到的这个子数组和更大
                        MaxSum = sum;//则更新结果
                }
            }
        return MaxSum;
    }
    public static void main(String[] args) {
        int[] array= new int[] {-1,2,3,-4,2};
        int n = array.length;
        int result= MaxSubStringSum(array,n);
        System.out.println(result);
    }

算法的时间复杂度为O(n^3)

优化: k在[i,j]区间内其实可以根据第二个区间算出sum

public static int MaxSubStringSum(int[] array,int n) {
        int sum,MaxSum =array[0];
        /*i是数组的最左端*/
        for(int i=0;i<n;i++) {
            /*j是数组的最右端*/
            sum = 0;
            for(int j =i;j<n;j++) {
                sum += array[j];
               MaxSum = Math.max(MaxSum,sum);
            }
        return MaxSum;
    }

时间复杂度为O(n^2)

进一步分析:
我们利用穷举法虽然简单易懂,但是其时间复杂度很大,我们试着优化。现在考虑数组的第一个元素A[0],与和最大的子数组(A[i],……A[j])之间的关系,有以下三种关系:
1) i = j = 0;A[0]本身构成和最大的子数组 max {A[0]}
2) j > i = 0;和最大的子数组以A[0]开头 max{A[0]+TempMaxSum[1]}
3) i > 0;A[0]与和最大子数组没有关系 max{MaxSum[1]}

从上面3中情况可以看出,可以将一个大问题(N个元素的数组)转化为一个较小的问题(N - 1个元素的数组)。假设已经知道(A[1],……A[N-1])中和最大的子数组和为MaxSum[1],并且知道,(A[1],……A[N-1])中包含A[1]的和最大的子数组为TempMaxSum[1]。我们就可以把(A[0],……A[N-1])求和最大子数组问题转换为,MaxSum[0] = max{A[0],A[0]+TempMaxSum[1],MaxSum[1]}。

public static int MaxSubStringSum(int[] array,int n) {
            int MaxSum = array[0];    
            int sum = array[0];  
            /*i从1开始*/
            for(int i = 1;i < n;i++)  
            {  
                sum = Math.max(array[i],sum + array[i]);  
                MaxSum = Math.max(MaxSum,sum);  
            }  
            return MaxSum;  
        }  

上面一种算法的思想已经接近动态规划求子问题的思想,来看看动态规划是如何实现的:

动态规划:

    /*动态规划   核心思想:一旦发现子数组的和为负数,弃置,重新一个新数组。*/
    public static int MaxSubStringSum(int[] array,int n) {
            int MaxSum = 0;
            int sum = 0;   
            for(int i = 0;i < n;i++)  {
                sum +=array[i];
                MaxSum= Math.max(MaxSum, sum);
                if(sum < 0)
                    sum = 0;
            }  
            return MaxSum;  
        }  

分治法实现:分而治之 (未完待续)

### 分治法解决最大子数组问题 #### 什么是最大子数组问题最大子数组问题是寻找一个整数数组中的连续子数组,使其元素达到最大值。此问题可以通过多种方法解决,其中分治法是一种经典的方法之一。 --- #### 分治法的核心思想 分治法通过将原问题分解成更小的问题来逐步解决问题。对于最大子数组问题,可以将其划分为三个部分: 1. **左半边的最大子数组**:完全位于中间位置左侧的部分。 2. **右半边的最大子数组**:完全位于中间位置右侧的部分。 3. **跨越中间位置的最大子数组**:包含中间位置及其两侧的一部分。 最终的结果将是上述三种情况中的最大值[^1]。 --- #### C语言实现代码示例 以下是基于分治法求解最大子数组问题的C语言实现: ```c #include <stdio.h> #include <limits.h> // 找到跨过中间点的最大子数组 int findMaxCrossingSubarray(int arr[], int low, int mid, int high) { int leftSum = INT_MIN; int sum = 0; // 向左扩展计算左边的最大 for (int i = mid; i >= low; i--) { sum += arr[i]; if (sum > leftSum) { leftSum = sum; } } int rightSum = INT_MIN; sum = 0; // 向右扩展计算右边的最大 for (int j = mid + 1; j <= high; j++) { sum += arr[j]; if (sum > rightSum) { rightSum = sum; } } return leftSum + rightSum; } // 主函数实现分治法 int maxSubArrayRecursive(int arr[], int low, int high) { if (low == high) { // 只有一个元素的情况 return arr[low]; } else { int mid = (low + high) / 2; int leftSum = maxSubArrayRecursive(arr, low, mid); // 左侧最大子数组 int rightSum = maxSubArrayRecursive(arr, mid + 1, high); // 右侧最大子数组 int crossSum = findMaxCrossingSubarray(arr, low, mid, high); // 跨越中间的最大子数组 if (leftSum >= rightSum && leftSum >= crossSum) { return leftSum; } else if (rightSum >= leftSum && rightSum >= crossSum) { return rightSum; } else { return crossSum; } } } // 接口函数调用 int maxSubArray(int arr[], int size) { return maxSubArrayRecursive(arr, 0, size - 1); } ``` --- #### 代码解释 1. 函数 `findMaxCrossingSubarray` 计算跨越中间位置的最大子数组。它分别向左向右遍历数组,记录下最大的累加并返回两者的总。 2. 函数 `maxSubArrayRecursive` 是递归实现的主要逻辑。当数组只有一个元素时,直接返回该元素;否则,继续划分左右两个子数组,并比较它们各自的最大子数组以及跨越中间位置的最大子数组。 3. 函数 `maxSubArray` 提供了一个简单的接口,方便外部调用。 --- #### 时间复杂度分析 分治法的时间复杂度为 \(O(n \log n)\),因为每次都将数组分成两半处理,并且在合并阶段需要线性时间扫描整个数组以找到跨越中间位置的最大子数组--- #### 动态规划对比 虽然分治法能够有效解决问题,但在实际应用中,Kadane 算法通常更为高效,因为它仅需一次遍历即可完成任务,时间复杂度为 \(O(n)\)[^2]。然而,在学习算法设计模式时,理解分治法仍然非常重要。 ---
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值