卖买股票的最佳收益

1 问题描述、输入输出与样例

1.1 问题描述

给定一个数组,它的第 i 个元素是一支给定股票第 i 天的价格。

设计一个算法来计算你所能获取的最大利润。你可以尽可能地完成更多的交易(多次买卖一支股票)。

注意:你不能同时参与多笔交易(你必须在再次购买前出售掉之前的股票)。

1.2 输入与输出

1.3 样例

1.3.1 样例1

输入: [7,1,5,3,6,4]

输出: 7

解释: 在第 2 天(股票价格 = 1)的时候买入,在第 3 天(股票价格 = 5)的时候卖出, 这笔交易所能获得利润 = 5-1 = 4 。
    随后,在第 4 天(股票价格 = 3)的时候买入,在第 5 天(股票价格 = 6)的时候卖出, 这笔交易所能获得利润 = 6-3 = 3 。

1.3.2 样例2

输入: [1,2,3,4,5]

输出: 4

解释: 在第 1 天(股票价格 = 1)的时候买入,在第 5 天 (股票价格 = 5)的时候卖出, 这笔交易所能获得利润 = 5-1 = 4 。
    注意你不能在第 1 天和第 2 天接连购买股票,之后再将它们卖出。
    因为这样属于同时参与了多笔交易,你必须在再次购买前出售掉之前的股票。

1.3.3 样例3

输入: [7,6,4,3,1]

输出: 0

解释: 在这种情况下, 没有交易完成, 所以最大利润为 0。

2 思路描述与代码

2.1 思路描述(贪心法)

把所有可能获利的交易都吃掉,局部最优可以获得全局最优。

算差分数组,把差分数组中所有为正的元素都加起来就是最大收益。

比如输入: [7,1,5,3,6,4]

差分数组为:[0,-6,4,-2,3,-2]

最大收益为 4 + 3 = 7

 

代码:

 原理:因为我们求的只是最大的收益,而不需要我们记录什么时候买什么时候卖,此时我们需要做的是比较相邻两天的股票价格,如果是涨就继续持有(如果还未购入就购入),如果是跌就在跌的前一天抛出(如果还未购入就不要购入),此时用到的就是差分数组,把正数相加。

/**/
#include<iostream>
#include<vector>
using namespace std;
int main()
{
        vector<int> price;
        int temp;
        int sum=0;
        while(cin>>temp)
        {
                price.push_back(temp);
        }
        for(int i=0;i<price.size();i++)
        {
                if(price[i+1]>price[i])
                {
                        sum+=price[i+1]-price[i];
                }
        }
        cout<<sum<<endl;
        return 0;
}

  

分析:时间复杂度:O(n),空间复杂度O(1) 

拓展:此题还可以变为卖买股票的最佳时机,这时就需要我们申请一个数组来存放卖买股票的时间

转载于:https://www.cnblogs.com/wuyepeng/p/10242098.html

### 解决方案概述 股票交易收益计算问题是经典的动态规划问题之一。其核心在于找到买入和卖出的最佳时机以最大化利润。下面提供了一种基于动态规划的方法来实现这一目标。 #### 动态规划的核心思路 假设我们有一个数组 `prices` 表示每天的股票价格,我们需要找出最佳的一次买卖时间点使得收益最大。如果无法获得正收益,则返回零表示不进行任何操作是最优解[^3]。 定义两个变量: - **min_price**: 遍历过程中遇到的历史最低价。 - **max_profit**: 当前为止可以获得的最大利润。 遍历整个价格列表,在每一天更新这两个变量即可得出最终答案。 以下是具体算法实现: ```python def maxProfit(prices): if not prices or len(prices) < 2: return 0 min_price = float('inf') # 初始化为无穷大 max_profit = 0 # 初始利润为0 for price in prices: # 更新历史最低购买价格 min_price = min(min_price, price) # 计算当前价格出售能获得的利润并更新最大利润 profit = price - min_price max_profit = max(max_profit, profit) return max_profit ``` 此函数接受一个名为 `prices` 的列表作为参数,并返回可能达到的最大利润值。如果没有盈利机会则返回 0。 --- ### 结合随机策略的概率模型扩展思考 对于更复杂的场景比如允许多次买卖或者存在手续费等问题时,可以引入强化学习中的概念如上述提到的随机性策略π(a|s)[^1] 来模拟不同市场条件下多种动作(买/卖/持有)的可能性及其对应回报率评估最优决策路径。不过这超出了单纯求解一次最佳买卖区间范围之外。 --- ### 复杂度分析 该方法仅需单次扫描整个数据集就能完成任务,因此时间复杂度为 O(n),其中 n 是天数或股价记录条目数量;空间复杂度为 O(1),因为只用了固定几个额外存储单元保存中间状态信息而不依赖于输入规模大小变化而改变所需内存资源量级[^4]。 ---
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