这种动态规划你见过吗——状态机动态规划之股票问题(下)

这种动态规划你见过吗——状态机动态规划之股票问题(下) 前言
在前面的两篇文章这种动态规划你见过吗——状态机动态规划之股票问题(上)和这种动态规划你见过吗——状态机动态规划之股票问题(中)已经谈了4道和股票问题相关的题目,详细解释了状态机动态规划和他的基本原理和应用方式。在本篇文章当中,会再介绍剩下的两道股票问题,继续深入和学习状态机动态规划。
最佳买卖股票时机含冷冻期
题目

给定一个整数数组prices,其中第 prices[i] 表示第 i 天的股票价格 。
设计一个算法计算出最大利润。在满足以下约束条件下,你可以尽可能地完成更多的交易(多次买卖一支股票):卖出股票后,你无法在第二天买入股票 (即冷冻期为 1 天)。
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)。
示例 示例1:
输入: prices = [1,2,3,0,2] 输出: 3 解释: 对应的交易状态为: [买入, 卖出, 冷冻期, 买入, 卖出]

示例2:
输入: prices = [1] 输出: 0

状态表示数组和状态转移方程 和前面的题目一样首先还是需要进行状态的定义和状态转移的分析,在这个问题当中我们用一个二维数组dp[i][j]表示各种不同的状态下的收益,在这个问题当中我们有以下几个状态:
  • dp[i][0],表示在遍历到第i支股票的时候没有进行一次买入和卖出。
    • 在这个时候没有进行买入和卖出,这个时候的收益和遍历到第i-1支股票的时候没有买入和卖出的情况是一样的,他们的收益都等于0,即dp[i][0] = 0dp[i - 1][0] = 0
  • dp[i][1],表示在遍历到第i支股票的时候手中含有股票,这个情况可以由三种情况转移过来:
    • 在遍历到第i-1支股票的时候手中已经存在股票了,这个时候只需要保持状态,那么在第i支股票的时候的收益和第i-1支股票的收益是相等的,即dp[i][1] = dp[i - 1][1]
    • 第二种情况就是在遍历到第i-1支股票的时候手中不存在股票,那么这个时候要想手中存在股票就需要进行买入了,那么就需要花费prices[i],那么在遍历到第i支股票的时候收益等于dp[i][1] = dp[i - 1][0] - prices[i]
    • 第三种情况是前一天是处于冷冻期(这里所谈到的冷冻期并不只是前2天卖出,导致的前一天的冷冻期,还有可能是更早之前卖出的,然后保持它的状态,相当于是冷冻期的续期,只不过在续期当中是可以进行买股票的),那么现在是可以进行买入的,即dp[i][1] = dp[i - 1][3] - prices[i],其中dp[i][3]表示遍历到第i支股票的时候处于冷冻期的收益。
    • 综合以上三种情况:
    $$ dp[i][1] = max(dp[i - 1][1], max(dp[i - 1][0] - prices[i], dp[i-1][3] - prices[i])) $$
  • dp[i][2],表示在第i支股票的时候手中不含有股票,可以转移到这个状态的状态一共有两种:
    • 在遍历到第i-1支股票的时候手中本来就不含有股票,那么我们只需要保持状态即可,即dp[i][2] = dp[i - 1][2]
    • 在遍历到第i-1支股票的时候手中含有股票,那么我们需要将这个股票进行售出,即dp[i][2] = dp[i - 1][1] + prices[i]
    • 综合以上两种情况:
    $$ dp[i][2] = max(dp[i - 1][2], dp[i - 1][1] + prices[i]) $$
  • dp[i][3],表示在第i支股票的时候是处在冷冻期,这个状态只能由一个状态转移过来,那就是前一天手中没有股票(因为进行卖出了),即dp[i][3] = dp[i][2]
数组的初始化和遍历顺序 根据上面的分析我们可以知道,在遍历到第一支股票的时候如果持有股票的话就需要进行买入,那么买入的状态dp[0][1]的值就等于-prices[0],卖出的状态收益为0,冷冻期的状态也等于0。根据状态转移方程第i行的数据依赖第i-1行,因此从前往后遍历就行。
最大收益 根据上文当中我们设置的状态,我们能够获取的最大的收益为dp[prices.length - 1][2], dp[prices.length - 1][3]两者当中的一个,因为最终我们要想收益最大手中肯定没有股票,而没有股票的状态有上述提到的两个状态。
$$ max(dp[prices.length - 1][2], dp[prices.length - 1][3]) $$
代码
class Solution { public int maxProfit(int[] prices) { // dp[i][0] 表示一次买入和卖出操作都没有 这个值始终等于0,可以不用这个状态 // 但是为了完整将这个状态留下来了 // dp[i][1] 表示持有股票 // dp[i][2] 表示不持有股票 // dp[i][3] 卖出操作之后的冷冻期 int[][] dp = new int[prices.length][4]; dp[0][1] = -prices[0]; for (int i = 1; i < prices.length; ++i) { dp[i][1] = Math.max(Math.max(dp[i - 1][1], dp[i - 1][3] - prices[i]), dp[i][0] - prices[i]); // 因为dp[i][0] 始终等于0 因此这里可以直接写 -prices[i] 也行 dp[i][2] = Math.max(dp[i - 1][2], dp[i - 1][1] + prices[i]); dp[i][3] = dp[i - 1][2]; } return Math.max(dp[prices.length - 1][2], dp[prices.length - 1][3]); } }

因为dp[i][0]始终等于0,所以将所有含dp[i][0]的地方都可以删除,因此下面的代码也是正确的。
class Solution { public int maxProfit(int[] prices) { // dp[i][0] 表示一次买入和卖出操作都没有 这个值始终等于0,可以不用这个状态 // 但是为了完整将这个状态留下来了 // dp[i][1] 表示持有股票 // dp[i][2] 表示不持有股票 // dp[i][3] 卖出操作之后的冷冻期 int[][] dp = new int[prices.length][4]; dp[0][1] = -prices[0]; for (int i = 1; i < prices.length; ++i) { dp[i][1] = Math.max(Math.max(dp[i - 1][1], dp[i - 1][3] - prices[i]), -prices[i]); dp[i][2] = Math.max(dp[i - 1][2], dp[i - 1][1] + prices[i]); dp[i][3] = dp[i - 1][2]; } return Math.max(dp[prices.length - 1][2], dp[prices.length - 1][3]); } }

数组优化——滚动数组 在上面的状态转移方程当中我们始终只使用了两行的数据,因此我们可以只使用一个两行的二维数组,然后进行交替使用(对i求2的余数就可以了)就可以了,代码如下:
class Solution { public int maxProfit(int[] prices) { int[][] dp = new int[2][4]; dp[0][1] = -prices[0]; for (int i = 1; i < prices.length; ++i) { dp[i & 1][1] = Math.max(Math.max(dp[(i - 1) & 1][1], dp[(i - 1) & 1][3] - prices[i]), dp[i & 1][0] - prices[i]); dp[i & 1][2] = Math.max(dp[(i - 1) & 1][2], dp[(i - 1) & 1][1] + prices[i]); dp[i & 1][3] = dp[(i - 1) & 1][2]; } return Math.max(dp[(prices.length - 1) & 1][2], dp[(prices.length - 1) & 1][3]); } }

买卖股票的最佳时机含手续费
题目
给定一个整数数组 prices,其中 prices[i]表示第 i 天的股票价格 ;整数 fee 代表了交易股票的手续费用。
你可以无限次地完成交易,但是你每笔交易都需要付手续费。如果你已经购买了一个股票,在卖出它之前你就不能再继续购买股票了。
返回获得利润的最大值。
注意:这里的一笔交易指买入持有并卖出股票的整个过程,每笔交易你只需要为支付一次手续费。
示例 示例1
输入:prices = [1, 3, 2, 8, 4, 9], fee = 2 输出:8 解释:能够达到的最大利润: 在此处买入 prices[0] = 1 在此处卖出 prices[3] = 8 在此处买入 prices[4] = 4 在此处卖出 prices[5] = 9 总利润: ((8 - 1) - 2) + ((9 - 4) - 2) = 8

示例2
输入:prices = [1,3,7,5,10,3], fee = 3 输出:6

状态表示数组和状态转移方程 这道题其实和在这种动态规划你见过吗——状态机动态规划之股票问题(上)当中的第二道题很相似,唯一的区别就是这里加上了手续费,其余部分是一模一样。
现在我们来分析一下如何进行状态的转移:
  • dp[i][0]的状态如何从第i-1的状态转移过来:
    • 如果第i-1个状态是手中不存在股票,即dp[i-1][0],那么第i个状态也没有股票,那么直接是dp[i][0] = dp[i - 1][0],因为没有进行交易。
    • 如果第i-1个状态手中存在股票,即dp[i-1][1],那么如果想在第i个状态没有股票,那么就需要将股票卖出,那么收益就为dp[i-1][1] + prices[i],即dp[i][0] = dp[i-1][1] + prices[i],但是在这个题目当中会有手续费,我们在卖出的时候需要缴纳手续费,那么我们的收益就变成dp[i][0] = dp[i-1][1] + prices[i] -fee
    • 综合上面的两种转移方式可以得到下面的转移方程:
    $$ dp[i][0] = max(dp[i - 1][0], dp[i - 1][1] + prices[i] -fee) $$
  • dp[i][1]的状态如何进行转移:
    • 如果第i-1个状态是手中不存在股票,即dp[i-1][0],那么我们就需要从第i-1个手中不存在股票的状态进行买入,那么dp[i][0] = dp[i - 1][0] - prices[i]
    • 如果第i-1个状态手中存在股票,即dp[i-1][1],而第i个状态有股票,因此不需要进行交易,即dp[i][1]=dp[i - 1][1]
    • 综合上面的两种转移方式可以得到下面的转移方程:
    $$ dp[i][1] = max(dp[i - 1][1], dp[i - 1][0] - prices[i]); $$
  • 综合上面的两个状态:
$$ \begin{cases}dp[i][0] = max(dp[i - 1][0], dp[i - 1][1] + prices[i] -fee)\\ dp[i][1] = max(dp[i - 1][1], dp[i - 1][0] - prices[i]); \end{cases} $$
代码
class Solution { public int maxProfit(int[] prices, int fee) { int[][] dp = new int[prices.length][2]; // dp[i][0] 表示不持有股票 // dp[i][1] 表示持有股票 dp[0][1] = -prices[0]; for (int i = 1; i < prices.length; ++i) { dp[i][0] = Math.max(dp[i - 1][0], dp[i - 1][1] + prices[i] - fee); dp[i][1] = Math.max(dp[i - 1][1], dp[i - 1][0] - prices[i]); } return dp[prices.length - 1][0]; } }

数组优化——滚动数组
class Solution { public int maxProfit(int[] prices, int fee) { int[][] dp = new int[2][2]; // dp[i][0] 表示不持有股票 // dp[i][1] 表示持有股票 dp[0][1] = -prices[0]; for (int i = 1; i < prices.length; ++i) { dp[i & 1][0] = Math.max(dp[(i - 1) & 1][0], dp[(i - 1) & 1][1] + prices[i] - fee); dp[i & 1][1] = Math.max(dp[(i - 1) & 1][1], dp[(i - 1) & 1][0] - prices[i]); } return dp[(prices.length - 1) & 1][0]; } }

再优化
class Solution { public int maxProfit(int[] prices, int fee) { int[] dp = new int[2]; // dp[0] 表示不持有股票 // dp[1] 表示持有股票 dp[1] = -prices[0]; for (int i = 1; i < prices.length; ++i) { dp[0] = Math.max(dp[0], dp[1] + prices[i] - fee); dp[1] = Math.max(dp[1], dp[0] - prices[i]); } return dp[0]; } }

上面的代码优化和这种动态规划你见过吗——状态机动态规划之股票问题(中)当中的优化原理是一样的。在下面的代码当中,左边的单行数组dp[0]和dp[1]相当于二维数组当中的dp[i][0],dp[i][1],右边的单行数组dp[0]和dp[1]相当于二维数组的dp[i - 1][0]和dp[i - 1][1]
dp[0] = Math.max(dp[0], dp[1] + prices[i] - fee); dp[1] = Math.max(dp[1], dp[0] - prices[i]);

但是我们会发现上面代码的第二行会依赖dp[0],这个dp[0]是第i-1行的状态,但是dp[0]在第一行已经发生了更新,也就是说dp[0]已经更新到了第i行的状态,那么为什么结果是对的呢?我们可以根据下面三条规则进行分析:
  • 如果dp[0]取的是dp[0],也就是说dp[0] > dp[1] + prices[i] - fee ,那么dp[0]还是上一行的状态,并不影响dp[1]的结果。
  • 如果dp[0]取的是dp[1] + prices[i] - fee,但是dp[1]取的是上一行的dp[1]那么对结果也没有什么影响。
  • 如果dp[0]取的是dp[1] + prices[i] - fee而且dp[1]取的是dp[0] - prices[i],那么就有影响了,但是这一加一减其实没有意义,还单纯的需要缴纳手续费,最终dp[0] - prices[i] = dp[1] + prices[i] - fee - prices[i] = dp[1] - fee < dp[1] ,因此这个状态不会被最终的结果取到,被取到的状态肯定都是第i-1行的dp[1](因为dp[1]更大),也就是说这个状态又会转移到第二条当中,因此对最终的结果没有影响。
总结
在本篇文章当中主要跟大家介绍了最后两道股票问题,第一道题的状态转移还是比较复杂的,可能需要大家仔细进行体会,才能理解,尤其是关于冷冻期的状态的转换可能比较绕。本文当中的第二道题目跟之前的题目非常像,只需要在收益上减去手续费即可。相信看完这三篇文章,做完这六道题目你对状态机动态规划的基本原理已经很了解了,它和传统的动态规划最不一样的就是有很多复杂的状态之间的转换,而且一般的动态规划的题目都是多重循环,但是在状态机动态规划当中是单循环。
更多精彩内容合集可访问项目:https://github.com/Chang-LeHu...
【这种动态规划你见过吗——状态机动态规划之股票问题(下)】关注公众号:一无是处的研究僧,了解更多计算机(Java、Python、计算机系统基础、算法与数据结构)知识。

    推荐阅读