一文看懂《最大子序列和问题》(内含Java，Python，JS代码)

vlambda
2020-01-13

一文看懂《最大子序列和问题》(内含Java，Python，JS代码)

最大子序列和是一道经典的算法题， leetcode 也有原题《53.maximum-sum-subarray》，今天我们就来彻底攻克它。

题目描述

求取数组中最大连续子序列和，例如给定数组为 A = [1， 3， -2， 4， -5]，则最大连续子序列和为 6，即 1 + 3 +（-2）+ 4 = 6。去

首先我们来明确一下题意。

题目说的子数组是连续的
题目只需要求和，不需要返回子数组的具体位置。
数组中的元素是整数，但是可能是正数，负数和 0。
子序列的最小长度为 1。

比如：

对于数组 [1, -2, 3, 5, -3, 2], 应该返回 3 + 5 = 8
对于数组 [0, -2, 3, 5, -1, 2], 应该返回 3 + 5 + -1 + 2 = 9
对于数组 [-9, -2, -3, -5, -3], 应该返回 -2

解法一 - 暴力法（超时法）

一般情况下，先从暴力解分析，然后再进行一步步的优化。

思路

我们来试下最直接的方法，就是计算所有的子序列的和，然后取出最大值。记 Sum[i,....,j]为数组 A 中第 i 个元素到第 j 个元素的和，其中 0 <= i <= j < n，遍历所有可能的 Sum[i,....,j] 即可。

我们去枚举以 0,1,2...n-1 开头的所有子序列即可，对于每一个开头的子序列，我们都去枚举从当前开始到 n-1 的所有情况。

这种做法的时间复杂度为 O(N^2), 空间复杂度为 O(1)。

代码

JavaScript:

 
   
   
 
  
    
    
  function LSS(list) {
  
    
    
   const len = list.length;
  
    
    
   let max = -Number.MAX_VALUE;
  
    
    
   let sum = 0;
  
    
    
   for (let i = 0; i < len; i++) {
  
    
    
   sum = 0;
  
    
    
   for (let j = i; j < len; j++) {
  
    
    
   sum += list[j];
  
    
    
   if (sum > max) {
  
    
    
   max = sum;
  
    
    
   }
  
    
    
   }
  
    
    
   }
  
    
    
  

  
    
    
   return max;
  
    
    
  }

Java：

 
   
   
 
  
    
    
  class MaximumSubarrayPrefixSum {
  
    
    
   public int maxSubArray(int[] nums) {
  
    
    
   int len = nums.length;
  
    
    
   int maxSum = Integer.MIN_VALUE;
  
    
    
   int sum = 0;
  
    
    
   for (int i = 0; i < len; i++) {
  
    
    
   sum = 0;
  
    
    
   for (int j = i; j < len; j++) {
  
    
    
   sum += nums[j];
  
    
    
   maxSum = Math.max(maxSum, sum);
  
    
    
   }
  
    
    
   }
  
    
    
   return maxSum;
  
    
    
   }
  
    
    
  }

Python 3:

 
   
   
 
  
    
    
  import sys
  
    
    
  class Solution:
  
    
    
   def maxSubArray(self, nums: List[int]) -> int:
  
    
    
   n = len(nums)
  
    
    
   maxSum = -sys.maxsize
  
    
    
   sum = 0
  
    
    
   for i in range(n):
  
    
    
   sum = 0
  
    
    
   for j in range(i, n):
  
    
    
   sum += nums[j]
  
    
    
   maxSum = max(maxSum, sum)
  
    
    
  

  
    
    
   return maxSum

空间复杂度非常理想，但是时间复杂度有点高。怎么优化呢？我们来看下下一个解法。

解法二 - 分治法

思路

我们来分析一下这个问题，我们先把数组平均分成左右两部分。

此时有三种情况：

最大子序列全部在数组左部分
最大子序列全部在数组右部分
最大子序列横跨左右数组

对于前两种情况，我们相当于将原问题转化为了规模更小的同样问题。

对于第三种情况，由于已知循环的起点（即中点），我们只需要进行一次循环，分别找出左边和右边的最大子序列即可。

所以一个思路就是我们每次都对数组分成左右两部分，然后分别计算上面三种情况的最大子序列和，取出最大的即可。

举例说明，如下图：

(by snowan)

这种做法的时间复杂度为 O(N*logN), 空间复杂度为 O(1)。

代码

JavaScript:

 
   
   
 
  
    
    
  function helper(list, m, n) {
  
    
    
   if (m === n) return list[m];
  
    
    
   let sum = 0;
  
    
    
   let lmax = -Number.MAX_VALUE;
  
    
    
   let rmax = -Number.MAX_VALUE;
  
    
    
   const mid = ((n - m) >> 1) + m;
  
    
    
   const l = helper(list, m, mid);
  
    
    
   const r = helper(list, mid + 1, n);
  
    
    
   for (let i = mid; i >= m; i--) {
  
    
    
   sum += list[i];
  
    
    
   if (sum > lmax) lmax = sum;
  
    
    
   }
  
    
    
  

  
    
    
   sum = 0;
  
    
    
  

  
    
    
   for (let i = mid + 1; i <= n; i++) {
  
    
    
   sum += list[i];
  
    
    
   if (sum > rmax) rmax = sum;
  
    
    
   }
  
    
    
  

  
    
    
   return Math.max(l, r, lmax + rmax);
  
    
    
  }
  
    
    
  

  
    
    
  function LSS(list) {
  
    
    
   return helper(list, 0, list.length - 1);
  
    
    
  }

Java:

 
   
   
 
  
    
    
  class MaximumSubarrayDivideConquer {
  
    
    
   public int maxSubArrayDividConquer(int[] nums) {
  
    
    
   if (nums == null || nums.length == 0) return 0;
  
    
    
   return helper(nums, 0, nums.length - 1);
  
    
    
   }
  
    
    
   private int helper(int[] nums, int l, int r) {
  
    
    
   if (l > r) return Integer.MIN_VALUE;
  
    
    
   int mid = (l + r) >>> 1;
  
    
    
   int left = helper(nums, l, mid - 1);
  
    
    
   int right = helper(nums, mid + 1, r);
  
    
    
   int leftMaxSum = 0;
  
    
    
   int sum = 0;
  
    
    
   // left surfix maxSum start from index mid - 1 to l
  
    
    
   for (int i = mid - 1; i >= l; i--) {
  
    
    
   sum += nums[i];
  
    
    
   leftMaxSum = Math.max(leftMaxSum, sum);
  
    
    
   }
  
    
    
   int rightMaxSum = 0;
  
    
    
   sum = 0;
  
    
    
   // right prefix maxSum start from index mid + 1 to r
  
    
    
   for (int i = mid + 1; i <= r; i++) {
  
    
    
   sum += nums[i];
  
    
    
   rightMaxSum = Math.max(sum, rightMaxSum);
  
    
    
   }
  
    
    
   // max(left, right, crossSum)
  
    
    
   return Math.max(leftMaxSum + rightMaxSum + nums[mid], Math.max(left, right));
  
    
    
   }
  
    
    
  }

Python 3 :

 
   
   
 
  
    
    
  import sys
  
    
    
  class Solution:
  
    
    
   def maxSubArray(self, nums: List[int]) -> int:
  
    
    
   return self.helper(nums, 0, len(nums) - 1)
  
    
    
   def helper(self, nums, l, r):
  
    
    
   if l > r:
  
    
    
   return -sys.maxsize
  
    
    
   mid = (l + r) // 2
  
    
    
   left = self.helper(nums, l, mid - 1)
  
    
    
   right = self.helper(nums, mid + 1, r)
  
    
    
   left_suffix_max_sum = right_prefix_max_sum = 0
  
    
    
   sum = 0
  
    
    
   for i in reversed(range(l, mid)):
  
    
    
   sum += nums[i]
  
    
    
   left_suffix_max_sum = max(left_suffix_max_sum, sum)
  
    
    
   sum = 0
  
    
    
   for i in range(mid + 1, r + 1):
  
    
    
   sum += nums[i]
  
    
    
   right_prefix_max_sum = max(right_prefix_max_sum, sum)
  
    
    
   cross_max_sum = left_suffix_max_sum + right_prefix_max_sum + nums[mid]
  
    
    
   return max(cross_max_sum, left, right)

解法三 - 动态规划

思路

我们来思考一下这个问题，看能不能将其拆解为规模更小的同样问题，并且能找出递推关系。

我们不妨假设问题 Q(list, i) 表示 list 中以索引 i 结尾的情况下最大子序列和，那么原问题就转化为 Q(list, i), 其中 i = 0,1,2...n-1 中的最大值。

我们继续来看下递归关系，即 Q(list, i)和 Q(list, i - 1)的关系，即如何根据 Q(list, i - 1) 推导出 Q(list, i)。

如果已知 Q(list, i - 1)，我们可以将问题分为两种情况，即以索引为 i 的元素终止，或者只有一个索引为 i 的元素。

如果以索引为 i 的元素终止，那么就是 Q(list, i - 1) + list[i]
如果只有一个索引为 i 的元素，那么就是 list[i]

分析到这里，递推关系就很明朗了，即 Q(list,i)=Math.max(0,Q(list,i-1))+list[i]

举例说明，如下图：

(by snowan)

这种算法的时间复杂度 O(N), 空间复杂度为 O(1)

代码

JavaScript:

 
   
   
 
  
    
    
  function LSS(list) {
  
    
    
   const len = list.length;
  
    
    
   let max = list[0];
  
    
    
   for (let i = 1; i < len; i++) {
  
    
    
   list[i] = Math.max(0, list[i - 1]) + list[i];
  
    
    
   if (list[i] > max) max = list[i];
  
    
    
   }
  
    
    
  

  
    
    
   return max;
  
    
    
  }

Java:

 
   
   
 
  
    
    
  class MaximumSubarrayDP {
  
    
    
   public int maxSubArray(int[] nums) {
  
    
    
   int currMaxSum = nums[0];
  
    
    
   int maxSum = nums[0];
  
    
    
   for (int i = 1; i < nums.length; i++) {
  
    
    
   currMaxSum = Math.max(currMaxSum + nums[i], nums[i]);
  
    
    
   maxSum = Math.max(maxSum, currMaxSum);
  
    
    
   }
  
    
    
   return maxSum;
  
    
    
   }
  
    
    
  }

Python 3:

 
   
   
 
  
    
    
  class Solution:
  
    
    
   def maxSubArray(self, nums: List[int]) -> int:
  
    
    
   n = len(nums)
  
    
    
   max_sum_ending_curr_index = max_sum = nums[0]
  
    
    
   for i in range(1, n):
  
    
    
   max_sum_ending_curr_index = max(max_sum_ending_curr_index + nums[i], nums[i])
  
    
    
   max_sum = max(max_sum_ending_curr_index, max_sum)
  
    
    
  

  
    
    
   return max_sum

解法四 - 数学分析

思路

我们来通过数学分析来看一下这个题目。

我们定义函数 S(i) ，它的功能是计算以 0（包括 0）开始加到 i（包括 i）的值。

那么 S(j) - S(i - 1) 就等于从 i 开始（包括 i）加到 j（包括 j）的值。

我们进一步分析，实际上我们只需要遍历一次计算出所有的 S(i), 其中 i 等于 0,1,2....,n-1。然后我们再减去之前的 S(k),其中 k 等于 0，1，i - 1，中的最小值即可。因此我们需要用一个变量来维护这个最小值，还需要一个变量维护最大值。

这种算法的时间复杂度 O(N), 空间复杂度为 O(1)。

其实很多题目，都有这样的思想，比如之前的《每日一题 - 电梯问题》。

代码

JavaScript:

 
   
   
 
  
    
    
  function LSS(list) {
  
    
    
   const len = list.length;
  
    
    
   let max = list[0];
  
    
    
   let min = 0;
  
    
    
   let sum = 0;
  
    
    
   for (let i = 0; i < len; i++) {
  
    
    
   sum += list[i];
  
    
    
   if (sum - min > max) max = sum - min;
  
    
    
   if (sum < min) {
  
    
    
   min = sum;
  
    
    
   }
  
    
    
   }
  
    
    
  

  
    
    
   return max;
  
    
    
  }

Java:

 
   
   
 
  
    
    
  class MaxSumSubarray {
  
    
    
   public int maxSubArray3(int[] nums) {
  
    
    
   int maxSum = nums[0];
  
    
    
   int sum = 0;
  
    
    
   int minSum = 0;
  
    
    
   for (int num : nums) {
  
    
    
   // prefix Sum
  
    
    
   sum += num;
  
    
    
   // update maxSum
  
    
    
   maxSum = Math.max(maxSum, sum - minSum);
  
    
    
   // update minSum
  
    
    
   minSum = Math.min(minSum, sum);
  
    
    
   }
  
    
    
   return maxSum;
  
    
    
   }
  
    
    
  }

Python 3:

 
   
   
 
  
    
    
  class Solution:
  
    
    
   def maxSubArray(self, nums: List[int]) -> int:
  
    
    
   n = len(nums)
  
    
    
   maxSum = nums[0]
  
    
    
   minSum = sum = 0
  
    
    
   for i in range(n):
  
    
    
   sum += nums[i]
  
    
    
   maxSum = max(maxSum, sum - minSum)
  
    
    
   minSum = min(minSum, sum)
  
    
    
  

  
    
    
   return maxSum

总结

我们使用四种方法解决了 《最大子序列和问题》, 并详细分析了各个解法的思路以及复杂度，相信下次你碰到相同或者类似的问题的时候也能够发散思维，做到 一题多解，多题一解。

实际上，我们只是求出了最大的和，如果题目进一步要求出最大子序列和的子序列呢？如果要题目允许不连续呢？我们又该如何思考和变通？如何将数组改成二维，求解最大矩阵和怎么计算？这些问题留给读者自己来思考。

vlambda博客
学习文章列表