力扣算法打卡刷题|??思维导图整理大厂面试高频数组13: 3种方法彻底解决最大子序和问题, 了解线段树的思想, 力扣53?? 动态规划|算法|最大子序和|线

此专栏文章是对力扣上算法题目各种方法的总结和归纳, 整理出最重要的思路和知识重点并以思维导图形式呈现, 当然也会加上我对导图的详解.

目的是为了更方便快捷的记忆和回忆算法重点(不用每次都重复看题解), 毕竟算法不是做了一遍就能完全记住的. 所以本文适合已经知道解题思路和方法, 想进一步加强理解和记忆的朋友, 并不适合第一次接触此题的朋友(可以根据题号先去力扣看看官方题解, 然后再看本文内容).

关于本专栏所有题目的目录链接, 刷算法题目的顺序/注意点/技巧, 以及思维导图源文件问题请点击此链接.

想进大厂, 刷算法是必不可少的, 欢迎和博主一起打卡刷力扣算法, 博主同步更新了算法视频讲解和其他文章/导图讲解, 更易于理解, 欢迎来看!

文章目录

0.导图整理

1.动态规划的空间优化

2.贪心法的思想

3.分治法: 线段树

3.1 分治法的意义

3.2 分治法的思想

3.3 java改Python易错点

源码

Python:

java:

题目链接: https://leetcode-cn.com/problems/maximum-subarray/solution/si-wei-dao-tu-zheng-li-3chong-fang-fa-ch-zxih/
0.导图整理
1.动态规划的空间优化这题是典型的动态规划题目, 最困难的点在于 dp数组的定义及下标含义: 用ai代表nums[i], 用f(i)代表以第i个数结尾的「连续子数组的最大和」, 网上也有很多文章介绍了是如何一步步分析来获得定义的过程的, 但我感觉对于新手来说, 可能还是多见一些类似的题目, 获得大量的经验, 这样比较有效果吧, 毕竟想研究动态规划的理论基础还是挺有难度的.
动态规划最重要的思想就是利用上一个状态, 对于本题而言就是: 到底要不要加上上一个状态f(i-1)的信息, 这完全取决于f(i-1)的正负情况, 这样我们就能得出了动态规划的递推公式: f(i)=max{f(i?1)+ai,ai}
【力扣算法打卡刷题|??思维导图整理大厂面试高频数组13: 3种方法彻底解决最大子序和问题, 了解线段树的思想, 力扣53??】得到了递推公式后就可以编写代码了, 代码中的一个技巧就是对于空间复杂度的优化. 当使用动态规划只需要一个数(并不需要整个dp数组)时, 我们就没必要将整个dp数组都保存下来, 我们只需用变量来记录下我们需要的某个量即可, 这个优化方法在动态规划中还是非常常用的方法, 具体的实现参考代码.
2.贪心法的思想本题还可以利用贪心法来实现, 贪心的思想是: 从左向右迭代, 一个个数字加过去如果sum<0, 那说明加上它只会变得越来越小, 所以我们将sum置零后重新开始找子序串.
在迭代的过程中要注意, 我们需要用result来不断维持当前的最大子序和, 因为sum的值是在不断更新的, 所以我们要及时记录下它的最大值.
有一个注意点是: 有的朋友可能觉得当数组全是负数的时候可能会出现问题, 其实是没有问题的. 因为在sum不断遍历的过程中, 早已将最大值不断传给result, 即使sum一直是负数被不断置零也不用担心, result还是会记录下最大的那个负数.
3.分治法: 线段树 3.1 分治法的意义
首先说明一点, 对于这道题而言, 分治法是不如上面的两种算法的, 在时间复杂度相同的情况下, 分治法还具有更高的空间复杂度. 分治法的意义如下图所示, 这里讲解它, 主要是为了让大家先了解一下线段树这种数据结构, 它还是有很广泛的应用场景的, 毕竟我们刷算法也是学习的过程, 早晚也都会接触到它的.

力扣算法打卡刷题|??思维导图整理大厂面试高频数组13: 3种方法彻底解决最大子序和问题, 了解线段树的思想, 力扣53??

文章图片

3.2 分治法的思想
大家直接看官方题解的思想可能会一头雾水, 根本不知道这些要维护的变量是怎么来的, 我找到了另外一篇文章详细介绍了整个思想的流程, 说明了变量是如何一步一步获得的, 讲解的还是挺清楚的, 如果还是感觉不太懂, 可以看看我录制的配套视频, 根据图片更详细的说明了整个推导过程.

文章图片

理解了推导过程后, 再来看官方的题解就比较清晰了, 也能明白每个变量的由来了. 下面是我整理的官方题解的思路:

文章图片

3.3 java改Python易错点
在理解算法思想后, 算法还是比较容易理解的, 但是官方只提供了java的版本, 我在自己转化为Python语言的时候, 还是遇到了不少问题的, 因为它涉及到了类的各种相关操作, 差别还是很大的, 如果不使用Python语言的话, 这部分就可以跳过了.

定义类时用class, 第一参数是self(没参数也可以), 定义方法用def, 第一个参数必须是self.
定义类的实例属性, 比如lSum, 定义时必须进行赋值, 比如lSum = 0, 不进行赋值是会报错的.
调用方法的时候, 第一个参数必须是self, 这个和java是完全不同的, 不加这个参数就会提醒你少了个参数. 调用类的时候,若定义类时没有参数,不用加self.
若你看到出现某某方法还未定义的错误, 那说明你定义的几个方法不是平级的关系, 在java中似乎是没有区别的, 但是在Python中, 你必须要将被用到的方法放入此方法里面, 也就是缩进一级, 具体操作看两者代码的不同.

这些就是我在改代码时遇到的比较严重的错误, 可以先了解一下, 说不定以后你也会遇到呢!
源码 Python:

# 动态规划 class Solution{public int maxSubAray(int[] nums){//类似寻找最大最小值的题目,初始值一定要定义成理论上的最小最大值 int result = Integer.MIN_VALUE; int numsSize = nums.length; int sum = 0; for (int i = 0; i < numsSize; i++){sum += nums[i]; result = Math.max(result, sum); //如果sum < 0,重新开始找子序串 if (sum < 0){sum = 0; } }return result; } }# 贪心法 class Solution: def maxSubAray(self, nums: List[int]) -> int: # 类似寻找最大最小值的题目,初始值一定要定义成理论上的最小最大值 result = float("-inf") numsSize = len(nums) sum = 0 for i in range(numsSize): sum += nums[i] result = max(result, sum) # 如果sum < 0,重新开始找子序串 if (sum < 0): sum = 0return result# 分治法: 线段树 class Solution : def maxSubAray(self, nums: List[int]) -> int: class wtevTree : # 线段树 lSum = 0 # 以左区间为端点的最大子段和 rSum = 0 # 以右区间为端点的最大子段和 iSum = 0 # 区间所有数的和 mSum = 0 # 该区间的最大子段和 def __init__(self,l, r, i, m) : # 构造函数 self.lSum = l self.rSum = r self.iSum = i self.mSum = m# 通过既有的属性,计算上一层的属性,一步步往上返回,获得线段树 def pushUp(self, leftT: wtevTree, rightT: wtevTree) -> wtevTree: # 新子段的lSum等于左区间的lSum或者左区间的区间和加上右区间的lSum l = max(leftT.lSum, leftT.iSum + rightT.lSum) # 新子段的rSum等于右区间的rSum或者右区间的区间和加上左区间的rSum r = max(leftT.rSum + rightT.iSum, rightT.rSum) # 新子段的区间和等于左右区间的区间和之和 i = leftT.iSum + rightT.iSum # 新子段的最大子段和,其子段有可能穿过左右区间,或左区间,或右区间 m = max(leftT.rSum + rightT.lSum, max(leftT.mSum, rightT.mSum)) return wtevTree(l, r, i, m)# 递归建立和获得输入区间所有子段的结构 def getInfo(self, nums: List[int], left: int, right: int) -> wtevTree: if (left == right): # 若区间长度为1,其四个子段均为其值 return wtevTree(nums[left], nums[left], nums[left], nums[left]) mid = (left + right) >> 1 # 获得中间点mid,右移一位相当于除以2,运算更快 leftT = getInfo(self, nums, left, mid) rightT = getInfo(self, nums, mid + 1, right) # mid+1,左右区间没有交集。 return pushUp(self, leftT, rightT) # 递归结束后,做最后一次合并if ( not nums or len(nums) <= 0): # 输入校验 return 0 lens = len(nums) # 获取输入长度 return getInfo(self, nums, 0, lens - 1).mSum

java:

// 动态规划 class Solution {public int maxSubAray(int[] nums) {int pre = 0, maxAns = nums[0]; for (int x : nums) {//pre来维护对于当前f(i)的f(i?1)的值是多少 pre = Math.max(pre + x, x); //判断f(i-1)是否要加到当前数上 maxAns = Math.max(maxAns, pre); //获取最大值 } return maxAns; } }// 贪心法 class Solution{public int maxSubAray(int[] nums){//类似寻找最大最小值的题目,初始值一定要定义成理论上的最小最大值 int result = Integer.MIN_VALUE; int numsSize = nums.length; int sum = 0; for (int i = 0; i < numsSize; i++){sum += nums[i]; result = Math.max(result, sum); //如果sum < 0,重新开始找子序串 if (sum < 0){sum = 0; } }return result; } }// 分治法: 线段树 class Solution {public int maxSubAray(int[] nums) {if (nums == null || nums.length <= 0)// 输入校验 return 0; int len = nums.length; // 获取输入长度 return getInfo(nums, 0, len - 1).mSum; }class wtevTree { //线段树 int lSum; // 以左区间为端点的最大子段和 int rSum; // 以右区间为端点的最大子段和 int iSum; // 区间所有数的和 int mSum; // 该区间的最大子段和 wtevTree(int l, int r, int i, int m) { // 构造函数 lSum = l; rSum = r; iSum = i; mSum = m; } }// 通过既有的属性,计算上一层的属性,一步步往上返回,获得线段树 wtevTree pushUp(wtevTree leftT, wtevTree rightT) {// 新子段的lSum等于左区间的lSum或者左区间的区间和加上右区间的lSum int l = Math.max(leftT.lSum, leftT.iSum + rightT.lSum); // 新子段的rSum等于右区间的rSum或者右区间的区间和加上左区间的rSum int r = Math.max(leftT.rSum + rightT.iSum, rightT.rSum); // 新子段的区间和等于左右区间的区间和之和 int i = leftT.iSum + rightT.iSum; // 新子段的最大子段和,其子段有可能穿过左右区间,或左区间,或右区间 int m = Math.max(leftT.rSum + rightT.lSum, Math.max(leftT.mSum, rightT.mSum)); return new wtevTree(l, r, i, m); }// 递归建立和获得输入区间所有子段的结构 wtevTree getInfo(int[] nums, int left, int right) {if (left == right) // 若区间长度为1,其四个子段均为其值 return new wtevTree(nums[left], nums[left], nums[left], nums[left]); int mid = (left + right) >> 1; // 获得中间点mid,右移一位相当于除以2,运算更快 wtevTree leftT = getInfo(nums, left, mid); wtevTree rightT = getInfo(nums, mid + 1, right); //mid+1,左右区间没有交集。 return pushUp(leftT, rightT); //递归结束后,做最后一次合并 } }

文章图片

我的更多精彩文章链接, 欢迎查看
各种电脑/软件/生活/音乐/动漫/电影技巧汇总(你肯定能够找到你需要的使用技巧)
力扣算法刷题根据思维导图整理笔记快速记忆算法重点内容(欢迎和博主一起打卡刷题哦)
计算机专业知识思维导图整理
最值得收藏的 Python 全部知识点思维导图整理, 附带常用代码/方法/库/数据结构/常见错误/经典思想(持续更新中)
最值得收藏的 C++ 全部知识点思维导图整理(清华大学郑莉版), 东南大学软件工程初试906科目
最值得收藏的计算机网络全部知识点思维导图整理(王道考研), 附带经典5层结构中英对照和框架简介
最值得收藏的算法分析与设计全部知识点思维导图整理(北大慕课课程)
最值得收藏的数据结构全部知识点思维导图整理(王道考研), 附带经典题型整理
最值得收藏的人工智能导论全部知识点思维导图整理(王万良慕课课程)
最值得收藏的数值分析全部知识点思维导图整理(东北大学慕课课程)
最值得收藏的数字图像处理全部知识点思维导图整理(武汉大学慕课课程)
红黑树一张导图解决红黑树全部插入和删除问题包含详细操作原理情况对比
各种常见排序算法的时间/空间复杂度是否稳定算法选取的情况改进思维导图整理
人工智能课件算法分析课件 Python课件数值分析课件机器学习课件图像处理课件
考研相关科目知识点思维导图整理
考研经验–东南大学软件学院软件工程(这些基础课和专业课的各种坑和复习技巧你应该知道)
东南大学软件工程 906 数据结构 C++ 历年真题思维导图整理
东南大学软件工程复试3门科目历年真题思维导图整理
最值得收藏的考研高等数学全部知识点思维导图整理(张宇, 汤家凤), 附做题技巧/易错点/知识点整理
最值得收藏的考研线性代数全部知识点思维导图整理(张宇, 汤家凤), 附带惯用思维/做题技巧/易错点整理
高等数学中值定理一张思维导图解决中值定理所有题型
考研思修知识点做题技巧同类比较重要会议 1800易错题思维导图整理
考研近代史知识点做题技巧同类比较重要会议 1800易错题思维导图整理
考研马原知识点做题技巧同类比较重要会议 1800易错题思维导图整理
考研数学课程笔记考研英语课程笔记考研英语单词词根词缀记忆考研政治课程笔记
Python相关技术知识点思维导图整理
Numpy常见用法全部OneNote笔记全部笔记思维导图整理
Pandas常见用法全部OneNote笔记全部笔记思维导图整理
Matplotlib常见用法全部OneNote笔记全部笔记思维导图整理
PyTorch常见用法全部OneNote笔记全部笔记思维导图整理
Scikit-Learn常见用法全部OneNote笔记全部笔记思维导图整理
Java相关技术/ssm框架全部笔记
Spring springmvc Mybatis jsp
科技相关小米手机
小米红米历代手机型号大全发布时间发布价格
常见手机品牌的各种系列划分及其特点
历代CPU和GPU的性能情况和常见后缀的含义思维导图整理