LeetCode 123. Best Time to Buy and Sell Stock III 时间复杂度(O(n2​​​​​​​))

本文介绍了一种计算股票买卖最大利润的算法实现,该算法的时间复杂度为O(n²),通过递归分解问题来寻找最优解。文章探讨了如何通过多次局部最优选择达到全局最优解,并暗示了未来可能存在的优化方向。

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

时间复杂度(O( n2)),感觉效率有些低,等有时间再想想有木有其他方法优化。

class Solution {
public:
    int maxProfit(vector<int>& prices) {
        if(prices.size()<2)return 0;
        int max = onemaxProfit(prices,0,prices.size()-1);
        for(int i=0;i<prices.size();++i){
            int mid_tmp = onemaxProfit(prices,0,i) + onemaxProfit(prices,i,prices.size()-1);
            if(mid_tmp>max)max=mid_tmp;
        }
        return max;
    }
    int onemaxProfit(vector<int>& prices,int start,int end) {
        if(start==end)return 0;
        int max = 0;
        int value1 = prices[start];
        int value2 = prices[start];
        for(int i=start+1;i<=end;++i)
            if(prices[i]<value1){
                value1 = prices[i];
                value2 = prices[i];
            }else if(prices[i]>value2){
                value2 = prices[i];
                if(max<value2-value1)
                    max = value2-value1;
            }
        return max;
    }
};

 

内容概要:本文针对国内加密货币市场预测研究较少的现状,采用BP神经网络构建了CCi30指数预测模型。研究选取2018年3月1日至2019年3月26日共391天的数据作为样本,通过“试凑法”确定最优隐结点数目,建立三层BP神经网络模型对CCi30指数收盘价进行预测。论文详细介绍了数据预处理、模型构建、训练及评估过程,包括数据归一化、特征工程、模型架构设计(如输入层、隐藏层、输出层)、模型编译与训练、模型评估(如RMSE、MAE计算)以及结果可视化。研究表明,该模型在短期内能较准确地预测指数变化趋势。此外,文章还讨论了隐层节点数的优化方法及其对预测性能的影响,并提出了若干改进建议,如引入更多技术指标、优化模型架构、尝试其他时序模型等。 适合人群:对加密货币市场预测感兴趣的研究人员、投资者及具备一定编程基础的数据分析师。 使用场景及目标:①为加密货币市场投资者提供一种新的预测工具和方法;②帮助研究人员理解BP神经网络在时间序列预测中的应用;③为后续研究提供改进方向,如数据增强、模型优化、特征工程等。 其他说明:尽管该模型在短期内表现出良好的预测性能,但仍存在一定局限性,如样本量较小、未考虑外部因素影响等。因此,在实际应用中需谨慎对待模型预测结果,并结合其他分析工具共同决策。
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