122. Best Time to Buy and Sell Stock II(贪心)

本文介绍了一种计算股票交易最大利润的算法。该算法允许进行多次买卖操作,但每次卖出后才能再次购买。通过遍历股价数组并计算相邻两天价格之差来确定利润,若差值为正则计入总利润。

Say you have an array for which the ith element is the price of a given stock on day i.

Design an algorithm to find the maximum profit. You may complete as many transactions as you like (ie, buy one and sell one share of the stock multiple times). However, you may not engage in multiple transactions at the same time (ie, you must sell the stock before you buy again).



分析:

// 4 7 8 2 8
最大利润很明显是 (8 - 4) + (8 - 2) = 10
就因为这个式子让我想复杂了:首先要找到一个极小值4,然后找到极大值8;然后找到极小值2,然后找到极大值8;balabala……

其实换一种思路,(7 - 4) + (8 - 7) + (8 - 2)
区别在于,直接将后一个数减前一个数就好了呀,只不过如果后一个数比前一个数小的话就不考虑而已。

ac代码:

class Solution {
public:
    int maxProfit(vector<int>& prices) {
        int i,n=prices.size(),sum=0;
        for(i=1;i<n;i++)
        {
            if(prices[i]-prices[i-1]>0)
                sum+=prices[i]-prices[i-1];
        }
        return sum;
    }
};

基于径向基函数神经网络RBFNN的自适应滑模控制学习(Matlab代码实现)内容概要:本文介绍了基于径向基函数神经网络(RBFNN)的自适应滑模控制方法,并提供了相应的Matlab代码实现。该方法结合了RBF神经网络的非线性逼近能力和滑模控制的强鲁棒性,用于解决复杂系统的控制问题,尤其适用于存在不确定性和外部干扰的动态系统。文中详细阐述了控制算法的设计思路、RBFNN的结构与权重更新机制、滑模面的构建以及自适应律的推导过程,并通过Matlab仿真验证了所提方法的有效性和稳定性。此外,文档还列举了大量相关的科研方向和技术应用,涵盖智能优化算法、机器学习、电力系统、路径规划等多个领域,展示了该技术的广泛应用前景。; 适合人群:具备一定自动控制理论基础和Matlab编程能力的研究生、科研人员及工程技术人员,特别是从事智能控制、非线性系统控制及相关领域的研究人员; 使用场景及目标:①学习和掌握RBF神经网络与滑模控制相结合的自适应控制策略设计方法;②应用于电机控制、机器人轨迹跟踪、电力电子系统等存在模型不确定性或外界扰动的实际控制系统中,提升控制精度与鲁棒性; 阅读建议:建议读者结合提供的Matlab代码进行仿真实践,深入理解算法实现细节,同时可参考文中提及的相关技术方向拓展研究思路,注重理论分析与仿真验证相结合。
最佳的时间买卖股票III问题可以使用贪心算法来解决。该问题要求在最多进行两次交易的情况下,获取最大的利润。 贪心法的思路是通过在每一天进行买入和卖出操作来获取最大利润。我们可以定义四个变量:buy1、sell1、buy2和sell2,分别表示第一次买入、第一次卖出、第二次买入和第二次卖出的利润。 我们首先将buy1和buy2初始化为正无穷大,sell1和sell2初始化为0。然后遍历股票价格列表,更新这些变量的值。 对于每一天的股票价格,我们可以尝试更新第一次买入的价格和利润。如果当前股票价格比buy1小,我们更新buy1为当前价格。否则,我们计算当前价格与buy1的差值,如果大于sell1,则将sell1更新为该差值。 接下来,我们尝试更新第二次买入的价格和利润。如果当前股票价格减去sell1比buy2小,我们更新buy2为当前价格减去sell1。否则,我们计算当前价格减去sell1的差值,如果大于sell2,则将sell2更新为该差值。 最后,我们返回sell2作为最大利润。 下面是使用贪心算法解决最佳的时间买卖股票III问题的代码示例(假设prices是股票价格的列表): ```python def maxProfit(prices): buy1 = float('inf') buy2 = float('inf') sell1 = 0 sell2 = 0 for price in prices: buy1 = min(buy1, price) sell1 = max(sell1, price - buy1) buy2 = min(buy2, price - sell1) sell2 = max(sell2, price - buy2) return sell2 ``` 这个算法的时间复杂度是O(n),其中n是股票价格列表的长度。
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