[leetcode-53-Maximum Subarray]

最大子数组和算法
本文介绍了一种寻找具有最大和的连续子数组的算法。通过使用一个临时变量跟踪子数组的当前和,并在该和变为负数时将其重置为0,确保找到最优解。整个过程只需遍历数组一次,实现高效求解。

Find the contiguous subarray within an array (containing at least one number) which has the largest sum.
For example, given the array [-2,1,-3,4,-1,2,1,-5,4],
the contiguous subarray [4,-1,2,1] has the largest sum = 6.

思路:

需要一个变量temp来保存子序列的和,如果temp<0,说明再往下加新元素的时候,新的子序列的和一定会比新元素要小。有点儿绕,举个例子,比如此时temp == -1,下一个元素为5,如果保留temp为-1,那么新的序列和为-1+5 =4,比5还小。所以这种情况下,需temp从0开始,即将temp更新为0。

还需要一个变量来保存最大的子序列的和即最大的temp值。

这样仅需一次扫描即可,时间复杂度为O(n).

int maxSubArray(vector<int>& nums)
    {
        if (nums.empty())return 0;
        int temp = 0,result = nums[0];
        for (int i = 0; i < nums.size();i++)
        {
            temp += nums[i];
            result = max(result,temp);
            temp = max(temp,0);            
        }
        return result;
    }

参考:

https://discuss.leetcode.com/topic/3400/simplest-and-fastest-o-n-c-solution

 

转载于:https://www.cnblogs.com/hellowooorld/p/6496272.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)和数学优化概率(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、模型优化和并行计算等改进策略。; 适合人群:具备一定Python编程基础和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