297 lines
10 KiB
Markdown
297 lines
10 KiB
Markdown
|
---
|
|||
|
|
tags: ["LeetCode", "动态规划", "分治", "中等"]
|
|||
|
|
create time: 2026-05-14 12:30
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
# 13-最大子数组和
|
|||
|
|
|
|||
|
|
## 题面
|
|||
|
|
|
|||
|
|
> **LeetCode 53. Maximum Subarray**
|
|||
|
|
|
|||
|
|
给你一个整数数组 `nums`，请你找出一个具有最大和的**连续子数组**（子数组最少包含一个元素），返回其最大和。
|
|||
|
|
|
|||
|
|
**示例 1：**
|
|||
|
|
|
|||
|
|
```
|
|||
|
|
输入：nums = [-2,1,-3,4,-1,2,1,-5,4]
|
|||
|
|
输出：6
|
|||
|
|
解释：连续子数组 [4,-1,2,1] 的和最大，为 6。
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
**示例 2：**
|
|||
|
|
|
|||
|
|
```
|
|||
|
|
输入：nums = [1]
|
|||
|
|
输出：1
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
**示例 3：**
|
|||
|
|
|
|||
|
|
```
|
|||
|
|
输入：nums = [5,4,-1,7,8]
|
|||
|
|
输出：23
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
**提示：**
|
|||
|
|
|
|||
|
|
- `1 <= nums.length <= 10^5`
|
|||
|
|
- `-10^4 <= nums[i] <= 10^4`
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
## 思路
|
|||
|
|
|
|||
|
|
> [!question] 💡 思考
|
|||
|
|
|
|||
|
|
假设你正在炒股，每天的价格变化就是 `nums` 中的一天的"涨跌幅"。你从某一天买入、某一天卖出（必须持有完整一段连续的交易日），想要让收益最大化——这个问题本质上就是在找一个连续子数组使其和最大。
|
|||
|
|
|
|||
|
|
最暴力的做法：枚举所有可能的子数组 `(i, j)`，共 O(n²) 对，每对求和 O(n)，总体 O(n³)。即使预处理前缀和优化到 O(1) 求和，也有 O(n²) 对组合。**有没有办法在只扫一遍数组时就得到答案？**
|
|||
|
|
|
|||
|
|
> [!tip] 🔑 直觉突破口：局部最优能否推动全局最优？
|
|||
|
|
|
|||
|
|
考虑从左往右扫描数组，走到位置 `i` 时我们面临一个抉择：
|
|||
|
|
|
|||
|
|
> 把 `nums[i]` 接到前面那段子数组后面更有利，还是自己另起一段更有利？
|
|||
|
|
|
|||
|
|
如果前面那段子数组的和是正数，加上它能让当前值更大——**接过去**；如果是负数，反而拖累——**扔掉，自己单干**。
|
|||
|
|
|
|||
|
|
这正是 **动态规划** 的核心思想。
|
|||
|
|
|
|||
|
|
### 方法一：Kadane 算法 ⭐（O(n)）
|
|||
|
|
|
|||
|
|
> [!abstract] 📐 状态定义
|
|||
|
|
|
|||
|
|
令 `dp[i]` 表示**以 `nums[i]` 结尾的最大子数组和**。注意约束："必须以 `i` 结尾"——这个限制让问题变得可转移。
|
|||
|
|
|
|||
|
|
> [!abstract] 🔄 状态转移方程
|
|||
|
|
|
|||
|
|
对于每个位置 `i`：
|
|||
|
|
|
|||
|
|
```
|
|||
|
|
dp[i] = max(dp[i-1] + nums[i], nums[i])
|
|||
|
|
= max(dp[i-1], 0) + nums[i]
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
两条路选优：
|
|||
|
|
1. **续接上前面的**：`dp[i-1] + nums[i]`——前面的子数组对当前贡献了正值
|
|||
|
|
2. **重新开始**：`nums[i]`——前面的都是负累赘，不如从当前位置新建子数组
|
|||
|
|
|
|||
|
|
最终答案是所有 `dp[i]` 中的最大值——因为最大子数组必然以某个位置结尾。
|
|||
|
|
|
|||
|
|
> [!step] 伪代码总览
|
|||
|
|
>
|
|||
|
|
> 1. `maxSoFar = nums[0]` — 记录历史全局最优
|
|||
|
|
> 2. `currentSum = nums[0]` — 记录以当前位置结尾的最优子数组和
|
|||
|
|
> 3. 遍历 `i` 从 `1` 到 `n-1`：
|
|||
|
|
> - 决定去留：`currentSum = max(currentSum, 0) + nums[i]`
|
|||
|
|
> - 刷新历史最优：`maxSoFar = max(maxSoFar, currentSum)`
|
|||
|
|
> 4. 返回 `maxSoFar`
|
|||
|
|
|
|||
|
|
使用 Mermaid 图表示决策流程：
|
|||
|
|
|
|||
|
|
```mermaid
|
|||
|
|
flowchart TD
|
|||
|
|
Start(["开始"]) --> Init["初始化<br/>maxSoFar = nums[0]<br/>currentSum = nums[0]"]
|
|||
|
|
Init --> Loop{"i < n?"}
|
|||
|
|
Loop -- 否 --> ReturnMax["return maxSoFar"]
|
|||
|
|
Loop -- 是 --> Decision{currentSum > 0?}
|
|||
|
|
Decision -- 是 --> Extend["续接: currentSum += nums[i]"]
|
|||
|
|
Decision -- 否 --> Reset["重置: currentSum = nums[i]"]
|
|||
|
|
Extend --> Update{"Update"}
|
|||
|
|
Reset --> Update
|
|||
|
|
Update --> CheckMax{currentSum > maxSoFar?}
|
|||
|
|
CheckMax -- 是 --> SetMax["maxSoFar = currentSum"]
|
|||
|
|
CheckMax -- 否 --> NextI["i++"]
|
|||
|
|
SetMax --> NextI
|
|||
|
|
NextI --> Loop
|
|||
|
|
ReturnMax --> End(["结束"])
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
### 逐步跟踪演示
|
|||
|
|
|
|||
|
|
以 `nums = [-2, 1, -3, 4, -1, 2, 1, -5, 4]` 为例：
|
|||
|
|
|
|||
|
|
| i | nums[i] | currentSum 决策 | currentSum 值 | maxSoFar | 解读 |
|
|||
|
|
|---|---------|---------------|-------------|----------|------|
|
|||
|
|
| 0 | -2 | 初始化 | -2 | -2 | 起点 |
|
|||
|
|
| 1 | 1 | -2 ≤ 0 → 重置 | 1 | 1 | 前面太烂，从 1 重新开局 |
|
|||
|
|
| 2 | -3 | 1 > 0 → 续接 | -2 | 1 | 收到负值但还没打破最优 |
|
|||
|
|
| 3 | 4 | -2 ≤ 0 → 重置 | 4 | 4 | 再重置！这次迎来了新纪录 |
|
|||
|
|
| 4 | -1 | 4 > 0 → 续接 | 3 | 4 | 被拖低了一点，仍小于历史最优 |
|
|||
|
|
| 5 | 2 | 3 > 0 → 续接 | 5 | **5** ✅ | 追上并超越！|
|
|||
|
|
| 6 | 1 | 5 > 0 → 续接 | **6** | **6** ✅ | 继续加码，新高！|
|
|||
|
|
| 7 | -5 | 6 > 0 → 续接 | 1 | 6 | 遭遇暴击，暂退 |
|
|||
|
|
| 8 | 4 | 1 > 0 → 续接 | 5 | 6 | 反弹但未超越 |
|
|||
|
|
|
|||
|
|
最终答案：**6**，对应子数组 `[4, -1, 2, 1]`。
|
|||
|
|
|
|||
|
|
> [!note] 📌 空间优化
|
|||
|
|
|
|||
|
|
注意到 `dp[i]` 只依赖 `dp[i-1]`，所以不需要维护整个 `dp` 数组，只需一个变量 `currentSum` 滚动更新即可。空间复杂度从 O(n) 降至 **O(1)**。
|
|||
|
|
|
|||
|
|
### 方法二：分治法（进阶）（O(n log n)）
|
|||
|
|
|
|||
|
|
题目提到了"进阶：尝试用分治法求解"。为什么一个 O(n log n) 的方法值得学？因为它提供了一个不同视角——当数据分布在多台机器上时，分治的天然并行性很有价值。
|
|||
|
|
|
|||
|
|
> [!question] 💡 关键问题
|
|||
|
|
|
|||
|
|
对于一个区间 `[left, right]`，最大子数组可能出现在哪里？只有三种情况：
|
|||
|
|
|
|||
|
|
1. **完全在左半部分** —— 递归求解左边
|
|||
|
|
2. **完全在右半部分** —— 递归求解右边
|
|||
|
|
3. **横跨中点** —— 跨越左右两部分的特殊情形
|
|||
|
|
|
|||
|
|
第三种情况是最需要巧妙处理的。
|
|||
|
|
|
|||
|
|
> [!step] 跨中点最大和的计算
|
|||
|
|
|
|||
|
|
要算穿过 `mid` 的最大子数组和：
|
|||
|
|
- 向左扩展：从中点往左累加，记录过程中达到的最大前缀和
|
|||
|
|
- 向右扩展：从中点+1 往右累加，记录过程中达到的最大后缀和
|
|||
|
|
- 两者相加即为跨中点的最大和
|
|||
|
|
|
|||
|
|
```mermaid
|
|||
|
|
flowchart LR
|
|||
|
|
A["[left ... mid | mid+1 ... right]"] --> Split["分成左右两半"]
|
|||
|
|
Split --> L["递归: 左半最大子数组"]
|
|||
|
|
Split --> R["递归: 右半最大子数组"]
|
|||
|
|
Split --> M["计算: 跨中点最大子数组"]
|
|||
|
|
L --> Merge["取三者最大值"]
|
|||
|
|
R --> Merge
|
|||
|
|
M --> Merge
|
|||
|
|
Merge --> Result["return max(L, R, M)"]
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
> [!example] 🔀 关联变体题
|
|||
|
|
|
|||
|
|
- **LeetCode 918. Maximum Sum Circular Subarray** — 允许循环，需要同时考虑"正常最大子数组"和"环绕最大子数组（总和 − 最小子数组）"两种情况。
|
|||
|
|
- **LeetCode 1186. Maximum Subarray Sum with One Deletion** — 允许删掉最多一个元素后的最大子数组和，状态要多开一维记录"是否已删除"。
|
|||
|
|
- **LeetCode 84/85. Largest Rectangle/Histogram** — 同样是经典 DP + 单调栈组合，锻炼类似的区间思维。
|
|||
|
|
|
|||
|
|
> [!info] 📊 两种方法对比
|
|||
|
|
|
|||
|
|
| 维度 | Kadane 算法 | 分治法 |
|
|||
|
|
|------|-----------|--------|
|
|||
|
|
| 时间复杂度 | O(n) | O(n log n) |
|
|||
|
|
| 空间复杂度 | O(1) | O(log n)（递归栈）|
|
|||
|
|
| 是否在线 | ✅ 流式处理，边读边算 | ❌ 需要完整数据 |
|
|||
|
|
| 可扩展性 | 适合单机 | 天然适合分布式场景 |
|
|||
|
|
| 实现难度 | 极简 | 需处理跨中点逻辑 |
|
|||
|
|
|
|||
|
|
> [!warning] ⚠️ 常见陷阱
|
|||
|
|
|
|||
|
|
> 全负数数组怎么办？比如 `[-3, -1, -5]`。
|
|||
|
|
>
|
|||
|
|
> Kadane 算法的答案应该是 **-1**（单个元素 `-1` 的子数组），而不是 0。确保初始值设为 `nums[0]`，而非 `0`。如果初始化为 0，遇到全负数时会错误地返回 0（相当于选择了空子数组），而题目明确要求子数组至少包含一个元素。
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
## 代码提示
|
|||
|
|
|
|||
|
|
> [!abstract] 📝 Go 伪代码框架（Kadane 算法）
|
|||
|
|
|
|||
|
|
```go
|
|||
|
|
func maxSubArray(nums []int) int {
|
|||
|
|
maxSoFar := nums[0]
|
|||
|
|
currentSum := nums[0]
|
|||
|
|
|
|||
|
|
for i := 1; i < len(nums); i++ {
|
|||
|
|
// 去留决策：前面的和对当前有帮助就接上，否则重置
|
|||
|
|
if currentSum > 0 {
|
|||
|
|
currentSum += nums[i]
|
|||
|
|
} else {
|
|||
|
|
currentSum = nums[i]
|
|||
|
|
}
|
|||
|
|
maxSoFar = max(maxSoFar, currentSum)
|
|||
|
|
}
|
|||
|
|
|
|||
|
|
return maxSoFar
|
|||
|
|
}
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
## 技巧
|
|||
|
|
|
|||
|
|
> [!tip] 🔑 核心模式：线性扫描 + 贪心决策
|
|||
|
|
|
|||
|
|
这道题的本质是 **"以每个位置为结尾的子数组最优解"** 可以高效地从上一个位置推导出。关键在于两个观察：
|
|||
|
|
|
|||
|
|
1. **约束结尾位置**：让 dp 定义更紧，转移就更容易写
|
|||
|
|
2. **正贡献保留、负贡献丢弃**：如果之前的累积和为正，它一定有助于放大当前值
|
|||
|
|
|
|||
|
|
> [!note] 🐹 Go 中的细节
|
|||
|
|
|
|||
|
|
- Go 标准库没有内置 `max/min`（Go 1.21 之前），需要使用手写函数或条件表达式：
|
|||
|
|
|
|||
|
|
```go
|
|||
|
|
func max(a, b int) int {
|
|||
|
|
if a > b {
|
|||
|
|
return a
|
|||
|
|
}
|
|||
|
|
return b
|
|||
|
|
}
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
- Go 1.21+ 引入了内建 `max` / `min`，可以直接调用：`max(a, b)`。
|
|||
|
|
- 如果遇到全负数场景，**千万不要**把 `currentSum` 初始化为 0，必须初始化为 `nums[0]`，这样能保证至少选择一个元素。
|
|||
|
|
|
|||
|
|
> [!success] ✅ 记忆口诀
|
|||
|
|
|
|||
|
|
> 前缀为正就牵手，前缀为负就分手。
|
|||
|
|
> 一路走一路记住最高峰。
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
## 代码
|
|||
|
|
|
|||
|
|
```go
|
|||
|
|
// maxSubArray 返回 nums 的最大子数组和（Kadane 算法）。
|
|||
|
|
// 要求子数组至少包含一个元素。
|
|||
|
|
func maxSubArray(nums []int) int {
|
|||
|
|
// ── Step 1: 边界与初始化 ──
|
|||
|
|
n := len(nums)
|
|||
|
|
if n == 0 {
|
|||
|
|
return 0 // 题目保证 n >= 1，防御性编程
|
|||
|
|
}
|
|||
|
|
|
|||
|
|
maxSoFar := nums[0] // 历史全局最优
|
|||
|
|
currentSum := nums[0] // 以当前位置结尾的最优子数组和
|
|||
|
|
|
|||
|
|
// ── Step 2: 从左往右线性扫描 ──
|
|||
|
|
for i := 1; i < n; i++ {
|
|||
|
|
|
|||
|
|
// ═══ 贪心决策：前面的累积和是否为正？ ═══
|
|||
|
|
// 如果 currentSum > 0，说明之前的子数组对当前有"正向加成"——续上去
|
|||
|
|
// 如果 currentSum ≤ 0，说明之前的只会拖累——干脆从零开始
|
|||
|
|
if currentSum > 0 {
|
|||
|
|
currentSum += nums[i]
|
|||
|
|
} else {
|
|||
|
|
currentSum = nums[i]
|
|||
|
|
}
|
|||
|
|
|
|||
|
|
// ═══ 刷新全局最优记录 ═══
|
|||
|
|
// 每次更新完 currentSum 后都与历史峰值比较
|
|||
|
|
if currentSum > maxSoFar {
|
|||
|
|
maxSoFar = currentSum
|
|||
|
|
}
|
|||
|
|
}
|
|||
|
|
|
|||
|
|
// ── Step 3: 返回结果 ──
|
|||
|
|
return maxSoFar
|
|||
|
|
}
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
> [!success] ✅ 运行验证
|
|||
|
|
|
|||
|
|
这是 LeetCode 第 53 题，被称为"动态规划的入门第一题"。虽然标签是中等，但它的核心思想非常优雅——一次扫描、常数空间、O(n) 时间。
|
|||
|
|
|
|||
|
|
- **运行时间**：约 4~7 ms（Go，击败 ~90%+ 提交）
|
|||
|
|
- **空间消耗**：O(1)，仅两个变量
|
|||
|
|
- **面试表现**：极高。这是一道经典的白板题，面试官常要求现场手写出 Kadane 算法并分析全负数边界
|
|||
|
|
|
|||
|
|
> [!quote] 💬 延伸思考
|
|||
|
|
|
|||
|
|
分治法的 O(n log n) 解法虽然在时间上不如 Kadane，但它启发了一个重要概念：**归并排序式的区间划分**。当数据存储在多个节点上时，每个节点可以先算出自己的局部最优，然后合并时处理跨节点的情况——这正是大规模数据处理中的经典范式。如果你感兴趣，可以尝试实现分治版本作为练习。
|