PAT 1007 Maximum Subsequence Sum(最大子串和)

本文解析了最大子串和问题的不同解法,包括O(n^3)、O(n^2)和O(n)复杂度的算法,并给出了两种AC代码实现,一种为O(n)的联机算法,另一种为O(n^2)的遍历算法。

原题地址

https://www.patest.cn/contests/pat-a-practise/1007

求出给定数字串的最大子串和,以及这个最大子串和的首尾元素。(若有多个最大子串则取最靠左的那个)

解题思路

本题基本上是最大子串和的裸题,只是增加了一个输出首尾元素的要求。

最大子串和描述:输入一个整数序列,求出其中连续子序列和的最大值。

最大子串和几种解法:

  • 复杂度O(n^3):穷举所有可能的首尾子串组合,用i和j循环确定首尾,k循环累加这之间的数,如果这个组合的累加大于记录过的maxSum则更新。**
  • 复杂度O(n^2):穷举优化版,只用i循环确定子串的首个数,j循环不断延长这个子串,延长的同时累加,如果在累加的某一刻大于了maxSum则更新。
  • 复杂度O(n^2):分治法,将序列分成左右两部分,分别递归求出左,右后,再求跨越中界的最大子序列和。求跨越序列时一直从中间向左/右走到底的同时累加,如果在累加的某一刻大于了maxSum则更新。
  • 复杂度O(n):联机算法,只扫描一遍序列,扫描的同时做累加。判断累加当前元素后的thisSum,如果比记录过的maxSum大则更新,如果比maxSum小且为负,那么丢弃构成thisSum的子串,从下一个元素开始另起一个子串。
  • 大神总结比较经典,包含了核心代码—>最大子序列求和问题及联机算法

本题处理

对于这道题我尝试了O(n)和O(n^2)的方法都可以过,前者耗时13ms后者耗时48ms,数据量小时都已经看得出一些差距了。

需要注意的点:

  • 由于要求输出首尾元素,那么就需要记录下标maxStart和maxEnd,在处理每个子串时,需要nowStart和nowEnd的辅助来更新这两者。
  • 元素全为正:只要和now有关的变量都初始化为0即可。
  • 元素全为负:题目要求输出0和最前最尾元素,negative在读入时判断有没有负数。
  • 最大子串只是一个0,那么maxSum就不能初始化为0,否则无法更新,因此要初始化为负数而且只能是-1,可以在初始化为-999时测试-1 0 2 3就看得出来问题。

AC代码

#include <iostream>
using namespace std;

const int maxn = 10005;
int a[maxn];

void maxSubstrSum_n(int n) ///O(n)的联机算法
{
    bool negative = true; //判断数组是否全为负数
    for (int i = 0; i<n; ++i)
    {
        cin >> a[i];
        //出现非负数,注意要有等号!有0时,最大值可能为0
        if(a[i] >= 0) negative = false;
    }
    if (negative) //全为负数
    {
        cout << 0 << ' ' << a[0] << ' ' << a[n-1];
        return;
    }
    //最大值可能是0,maxSum置为-1才会更新(不能置为-999)
    int maxSum = -1, maxStart, maxEnd;
    int nowSum = 0, nowStart = 0, nowEnd = 0;
    ///核心代码
    for (int i = 0; i<n; ++i)
    {
        nowSum += a[i];
        if (nowSum > maxSum) //比之前的maxSum大时更新,由于保留第一组所以不取等号
        {
            maxSum = nowSum; //更新最大值
            nowEnd = i; //延伸当前串
            maxStart = nowStart; //更新起始位置
            maxEnd = nowEnd;
        }
        else if (nowSum < 0) //nowSum比maxSum小且为负,另起一个长度为1的子串
        {
            nowSum = 0;
            nowStart = nowEnd = i+1; //从下一个数开始
        }
    }
    cout << maxSum << ' ' << a[maxStart] << ' ' << a[maxEnd];
}

void maxSubstrSum_n2(int n) ///O(n^2)的遍历算法
{
    bool negative = true;
    for (int i = 0; i < n; ++i)
    {
        cin >> a[i];
        //出现非负数,注意要有等号!有0时,最大值可能为0
        if (a[i] >= 0) negative = false;
    }
    if(negative) //全为负数
    {
        cout << 0 << ' ' << a[0] << ' ' << a[n-1]<< endl;
        return ;
    }
    int maxSum = -1, maxStart = 0, maxEnd = n-1;
    for (int i = 0; i<n; ++i)
    {
        int nowSum = 0; //记录着以i为起始的所有子串和
        for (int j = i; j<n; ++j)
        {
            nowSum += a[j]; //i...j
            if (nowSum > maxSum) //更新maxSum
            {
                maxSum = nowSum;
                maxStart = i;
                maxEnd = j;
            }
        }
    }
    cout << maxSum << ' ' << a[maxStart] << ' ' << a[maxEnd] << endl;
}


int main()
{
    int n;
    cin >> n;
    //maxSubstrSum_n(n);
    maxSubstrSum_n2(n);
    return 0;
}
### 最大子序列问题的解决方法 最大子序列问题是经典的算法问题之一,目标是从给定数组中找到一个连续子序列,使得该子序列中的元素之达到最大值。以下是基于动态规划的思想实现的一个高效解决方案。 #### 动态规划法 通过维护两个变量 `current_sum` `max_sum` 来记录当前子序列的最大和以及全局范围内的最大和。遍历整个数组一次即可完成计算: ```python def max_subsequence_sum(nums): current_sum = 0 max_sum = float('-inf') # 初始化为负无穷大 for num in nums: current_sum = max(num, current_sum + num) # 更新当前子序列 max_sum = max(max_sum, current_sum) # 更新全局最大和 return max_sum ``` 上述代码的时间复杂度为 \(O(n)\),其中 \(n\) 是输入列表的长度[^1]。 #### 示例运行 假设我们有如下输入数据: ```python nums = [-2, 1, -3, 4, -1, 2, 1, -5, 4] result = max_subsequence_sum(nums) print(result) # 输出应为6 (子序列为 [4,-1,2,1]) ``` 此方法的核心在于每次迭代都决定是否将当前数加入到现有子序列或者重新开始一个新的子序列。 #### 非连续子序列的情况 如果允许选取非连续的子序列,则可以采用贪心策略来解决问题。对于这个问题的具体实现方式已经在 JavaScript 的例子中有体现。然而,在 Python 中可以通过简单的排序加累加操作快速得到结果: ```python def non_contiguous_max_subsequence_sum(nums): positive_nums = sorted([num for num in nums if num > 0], reverse=True) total = sum(positive_nums) return total if total != 0 else max(nums) # 测试用例 nums = [7, 2, -8, 4, 10, -2] result = non_contiguous_max_subsequence_sum(nums) print(result) # 应输出23 ``` 这里需要注意的是当所有数值均为负数时需单独处理以确保返回最大的单个元素作为结果。 ### 结论 无论是针对连续还是非连续情况下的最大子序列求问题都可以借助不同的优化手段有效解决。前者依赖于线性的扫描过程而后者则可能涉及更复杂的逻辑判断或额外的数据结构支持。
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