53. 最大子序和 golang (动态规划与贪心算法)

这篇博客介绍了如何使用动态规划和贪心算法解决LeetCode上的最大子序和问题。文章给出了示例输入和输出,并讨论了在遇到负数时如何利用贪心策略调整子序列。同时,提到了动态规划在解决此类问题中的应用,以及如何在线性时间内找到最优解。最后,提供了相关算法的参考资料。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

题目

给定一个整数数组 nums ,找到一个具有最大和的连续子数组(子数组最少包含一个元素),返回其最大和。

示例:

输入: [-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。
进阶:

如果你已经实现复杂度为 O(n) 的解法,尝试使用更为精妙的分治法求解。

来源:力扣(LeetCode)
链接:https://leetcode-cn.com/problems/maximum-subarray
著作权归领扣网络所有。商业转载请联系官方授权,非商业转载请注明出处。

贪心算法

贪心算法(又称贪婪算法)是指,在对问题求解时,总是做出在当前看来是最好的选择。
如果现在的和成了负数,那么就从下一个大于0的数字开始

func maxSubArray(nums []int) int {
	if len(nums) == 1{
		return nums[0]
	}
	var currSum, maxSum = 0, nums[0]
    for _, v := range nums {
        if currSum > 0 {
            currSum += v
        } else {
            currSum = v
        }
        if maxSum < currSum {
            maxSum = currSum
        }
    }
	return maxSum
}

动态规划

在整个数组或在固定大小的滑动窗口中找到总和或最大值或最小值的问题可以通过动态规划(DP)在线性时间内解决。在求解任一子问题时,列出各种可能的局部解,通过决策保留那些有可能达到最优的局部解,丢弃其他局部解
找到当前区间的最优解,而贪心算法是

func maxSubArray(nums []int) int {
    max_sum := nums[0]
    for i := 1; i < len(nums); i++ {
        if nums[i - 1] > 0 {
           nums[i] += nums[i - 1]
        } 
        if nums[i] > max_sum {
            max_sum = nums[i]
        }    
    }
    return max_sum
}

参考

动态规划和贪心算法

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