首尾相连一维数组的最大子数组和

本文介绍了一种在一维数组中寻找最大子数组和的算法实现,包括不连续和连续子数组两种情况。通过遍历和动态规划方法,文章提供了详细的源代码,并解释了如何避免子数组长度超出原数组的问题。

设计思想: 

因为已经写过了一维数组的求最大子数组的程序,所以在原基础上做一些修改就可以了。与求数组的最大子数组相同,先遍历所有子数组,然后判断最后一个子数组是否大于0。若大于0,则重头开始遍历,直到子数组的和小于0或者到最后一个子数组的前一个数为止,在此过程中保存子数组的最大值以及位置。在此需要注意的是,如果不加限制条件,求出的最大子数组可能会超过原数组的长度。我用了一个限制条件,一旦长度等于原长度,就跳出循环。

源程序代码:

#include<stdio.h>

#include<stdlib.h>

int maxSumNoConnect(int*arr,int n)

{

    int i,max,*sum;

    sum=(int *)malloc(sizeof(int)*n);

    sum[0]=max=arr[0];

    for (i=1;i<n;i++){

     if(sum[i-1]>0)

        sum[i]=arr[i]+sum[i-1];

     else

        sum[i]=arr[i];

     if(sum[i]>max) max=sum[i];
}
 
free(sum);

return max;

}

int indexInArrMinSum(int*arr,int n)

{

int i,loc,min,*sum;

sum=(int*)malloc(sizeof(int)*n);

min=sum[0]=arr[0];

loc=0;

for(i=1;i<n;i++){

 if (sum[i-1]>0){

    sum[i]=arr[i];

}else{

    sum[i]=arr[i]+sum[i-1];

}

if (sum[i]<min){

    loc=i;

    min=sum[i];

 }

}

free(sum);

return loc;

}

int maxSumConnect(int*arr,int n)

{

 int index,i,loc,cur,max,*sum;

 sum=(int*)malloc(sizeof(int)*n);

 index=indexInArrMinSum(arr,n);

 max=sum[(index+1)%n]=arr[(index+1)%n];

 for(i=2;i<n;i++){

 loc=(index+i-1)%n;

 cur=(index+i)%n;

if (sum[loc]>0){

    sum[cur]=arr[cur]+sum[loc];

}else{

    sum[cur]=arr[cur];

}

 if(sum[cur]>max)

    max=sum[cur];

}

 free(sum);

 return max;

}

int main(void)

{

 int i,n,flag,conn_n,conn_y,*arr;

 while(scanf("%d",&n)!=EOF){

 arr=(int*)malloc(sizeof(int)*n);

 for(i=0,flag=0;i<n;i++){

    scanf("%d",arr+i);

    if (*(arr+i)<=0)

     flag++;

}

if (flag==n){

    printf("0\n");

    continue;

}

 conn_n=maxSumNoConnect(arr,n);

 conn_y=maxSumConnect(arr,n);

 if (conn_n<conn_y)

    printf("%d\n",conn_y);

 else

    printf("%d\n",conn_n);

 free(arr);

 }

 return 0;

}

运行结果截图:(需要自己输入一个一维数组,第一行是数组中元素个数,第二行是各个元素)

 

编码、调试:张洪胜

转载于:https://www.cnblogs.com/zhs20160715/p/9903319.html

内容概要:本文系统介绍了算术优化算法(AOA)的基本原理、核心思想及Python实现方法,并通过图像分割的实际案例展示了其应用价值。AOA是一种基于种群的元启发式算法,其核心思想来源于四则运算,利用乘除运算进行全局勘探,加减运算进行局部开发,通过数学优化器加速函数(MOA)数学优化概率(MOP)动态控制搜索过程,在全局探索与局部开发之间实现平衡。文章详细解析了算法的初始化、勘探与开发阶段的更新策略,并提供了完整的Python代码实现,结合Rastrigin函数进行测试验证。进一步地,以Flask框架搭建前后端分离系统,将AOA应用于图像分割任务,展示了其在实际工程中的可行性与高效性。最后,通过收敛速度、寻优精度等指标评估算法性能,并提出自适应参数调整、模型优化并行计算等改进策略。; 适合人群:具备一定Python编程基础优化算法基础知识的高校学生、科研人员及工程技术人员,尤其适合从事人工智能、图像处理、智能优化等领域的从业者;; 使用场景及目标:①理解元启发式算法的设计思想与实现机制;②掌握AOA在函数优化、图像分割等实际问题中的建模与求解方法;③学习如何将优化算法集成到Web系统中实现工程化应用;④为算法性能评估与改进提供实践参考; 阅读建议:建议读者结合代码逐行调试,深入理解算法流程中MOA与MOP的作用机制,尝试在不同测试函数上运行算法以观察性能差异,并可进一步扩展图像分割模块,引入更复杂的预处理或后处理技术以提升分割效果。
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