揭开最大子段和问题的神秘面纱：从暴力法到极致优化的算法之旅

平凡之路.

发布于 2025-03-14 09:44:59

32300

代码可运行

文章被收录于专栏：学习学习

运行总次数：0

代码可运行

最大子段和问题：从暴力法到优化的算法解析

题目链接

题目描述

给出一个长度为 nn 的序列 aa，选出其中连续且非空的一段使得这段和最大。

输入格式

第一行是一个整数，表示序列的长度 nn。
第二行有 nn 个整数，第 ii 个整数表示序列的第 ii 个数字 aia_i。

输出格式

输出一行一个整数表示答案。

输入输出样例

输入 #1：

7
2 -4 3 -1 2 -4 3

输出 #1：

样例解释：

选取子数组 {3, −1, 2}，其和为 4。

数据规模与约定

对于 40% 的数据，保证 n≤2×103n \leq 2 \times 10^3。
对于 100% 的数据，保证 1≤n≤2×1051 \leq n \leq 2 \times 10^5，且 −104≤ai≤104−10^4 \leq a_i \leq 10^4。

算法解析：从暴力法到优化的全面分析

本问题的核心是求解一个数组中 连续子数组 的最大和。为了帮助大家更好地理解如何优化算法，我们将从最基础的暴力法出发，逐步介绍一些优化策略，最后给出最优解法。每一种算法都有其优点和局限，适用于不同规模的数据。

第一步：暴力法（最直观的解法）

暴力法的基本思路非常简单：枚举数组中所有可能的子数组，计算它们的和，并找出最大的那个子数组和。

步骤：

对于每个子数组的起始位置 ii，遍历所有可能的结束位置 jj。
计算子数组 a[i]…a[j]a[i] \dots a[j] 的和。
不断更新最大子数组和。

代码实现：

#include <bits/stdc++.h>
using namespace std;

int main() {
    int n;
    cin >> n;
    int a[n];
    
    // 输入数组
    for (int i = 0; i < n; i++) {
        cin >> a[i];
    }
    
    int ret = INT_MIN;
    
    // 暴力法：枚举所有子数组
    for (int i = 0; i < n; i++) {
        int sum = 0;
        for (int j = i; j < n; j++) {
            sum += a[j];  // 累加子数组元素
            ret = max(ret, sum);  // 更新最大子段和
        }
    }
    
    cout << ret << endl;  // 输出最大子段和
    return 0;
}

时间复杂度：

时间复杂度：O(n²)，因为我们需要枚举所有子数组，内外两层循环。
空间复杂度：O(1)，只需要常数空间。

优缺点：

优点：简单直观，适用于理解问题的基本思路。
缺点：效率低下，无法应对大规模数据。因为在最坏情况下，可能要处理 n(n+1)/2n(n+1)/2 个子数组。

第二步：前缀和优化（减少重复计算）

前缀和优化的基本思想是通过 前缀和 数组来避免重复计算子数组的和。前缀和是一种空间换时间的技巧，它将每个子数组的和存储在一个数组中，查询时可以快速得到结果。

步骤：

前缀和：先计算一个前缀和数组，其中 f[i]f[i] 表示数组 aa 从头到 ii 的和。
对于任意的子数组 a[i]…a[j]a[i] \dots a[j]，可以通过 f[j]−f[i−1]f[j] - f[i-1] 来计算其和，这样避免了重复计算。

代码实现：

#include <bits/stdc++.h>
using namespace std;

const int N = 2e5 + 10;
int a[N];
long long f[N];  // 前缀和
long long ret = INT_MIN;
int n;

int main() {
    cin >> n;
    
    // 输入数组并计算前缀和
    for (int i = 1; i <= n; i++) {
        cin >> a[i];
        f[i] = f[i - 1] + a[i];  // 前缀和
    }
    
    // 枚举所有可能的子数组
    for (int i = 1; i <= n; i++) {
        for (int j = i; j <= n; j++) {
            ret = max(ret, f[j] - f[i - 1]);  // 通过前缀和计算子数组和
        }
    }
    
    cout << ret << endl;
    return 0;
}

时间复杂度：

时间复杂度：O(n²)，虽然我们使用了前缀和，但仍然需要枚举所有子数组。
空间复杂度：O(n)，使用了一个前缀和数组。

优缺点：

优点：通过前缀和优化了子数组和的计算。
缺点：时间复杂度仍然是 O(n²)，不能有效处理大数据。

第三步：分治法（递归分解问题）

分治法通过递归的方式，将问题分解成较小的子问题，并计算左右子数组和，最后合并结果。这种方法借鉴了“分而治之”的思想。

步骤：

递归分解：将问题分解成左右两个子数组，分别求解最大子段和。
合并结果：计算跨越中点的子数组和，并与左右两边的子数组和比较，返回最大的那个。

代码实现：

#include <bits/stdc++.h>
using namespace std;

int a[100000];
int n;

int dfs(int left, int right) {
    if (left == right) return a[left];  // 基本情况，只有一个元素时返回其值
    int mid = (left + right) / 2;
    
    // 分别计算左右两部分的最大子段和
    int left_max = dfs(left, mid);
    int right_max = dfs(mid + 1, right);
    
    // 计算跨越中点的最大子段和
    int left_sum = 0, right_sum = 0;
    int lmax = INT_MIN, rmax = INT_MIN;
    
    for (int i = mid; i >= left; i--) {
        left_sum += a[i];
        lmax = max(lmax, left_sum);
    }
    for (int i = mid + 1; i <= right; i++) {
        right_sum += a[i];
        rmax = max(rmax, right_sum);
    }
    
    return max({left_max, right_max, lmax + rmax});  // 返回三者中的最大值
}

int main() {
    cin >> n;
    for (int i = 0; i < n; i++) cin >> a[i];
    
    cout << dfs(0, n - 1) << endl;
    return 0;
}

时间复杂度：

时间复杂度：O(n log n)，因为每次递归将问题分成两部分，递归深度为log n，且每层遍历O(n)。
空间复杂度：O(log n)，递归栈深度为log n。

优缺点：

优点：递归思想优雅，分治法可以高效地处理一些复杂问题。
缺点：相较于动态规划，时间复杂度较高，且递归栈消耗较大。

第四步：贪心算法（局部最优到全局最优）

贪心算法通过每一步选择最优的局部解，期望最终得到全局最优解。对于最大子段和问题，贪心算法选择每次更新当前子数组和，如果当前和为负，则从当前元素开始一个新的子数组。

步骤：

从左到右遍历数组，对于每个元素，选择是否将其加入当前子数组。
如果当前子数组和为负，则从当前元素开始一个新的子数组。
更新最大子数组和。

代码实现：

#include <bits/stdc++.h>
using namespace std;

int main() {
    int n;
    cin >> n;
    int a[n];
    
    for (int i = 0; i < n; i++) {
        cin >> a[i];
    }
    
    int ret = INT_MIN, cur = 0;
    
    for (int i = 0; i < n; i++) {
        cur = max(a[i], cur + a[i]);  // 如果当前和为负，则从当前元素开始
        ret = max(ret, cur);  // 更新最大子段和
    }
    
    cout << ret << endl;
    return 0;
}

时间复杂度：

时间复杂度：O(n)，遍历一次数组。
空间复杂度：O(1)，只用常数空间。

优缺点：

优点：非常高效，适用于大规模数据，时间复杂度 O(n)，空间复杂度 O(1)。
缺点：不保证每次局部最优解能得到全局最优解。

第五步：动态规划（普通动态规划）

普通动态规划通过记录每个位置的最大子数组和，并利用已计算的状态来更新当前状态。

步骤：

定义状态 dp[i] 表示以第 ii 个元素为结尾的最大子数组和。
状态转移方程为 dp[i] = max(dp[i - 1] + a[i], a[i])。
更新全局最大子数组和。

代码实现：

#include <bits/stdc++.h>
using namespace std;

int dp[100000];  // dp[i]表示以第i个元素结尾的最大子段和
int n;

int main() {
    cin >> n;
    int ret = INT_MIN;
    cin >> dp[0];  // 初始化第一个元素的子数组和
    ret = dp[0];
    
    for (int i = 1; i < n; i++) {
        int a;
        cin >> a;
        dp[i] = max(dp[i - 1] + a, a);  // 当前子数组和最大值
        ret = max(ret, dp[i]);  // 更新全局最大子数组和
    }
    
    cout << ret << endl;
    return 0;
}

时间复杂度：

时间复杂度：O(n)，遍历一次数组。
空间复杂度：O(n)，需要额外的 dp[] 数组。

优缺点：

优点：通过动态规划保存中间结果，能够高效处理大规模数据。
缺点：空间复杂度较高，需要额外的数组。

第六步：Kadane 算法（动态规划的优化）

Kadane 算法是动态规划的一种优化，通过减少不必要的空间使用来提高效率。

步骤：

维护两个变量：cur（当前子数组和）和 ret（全局最大子数组和）。
每次遍历时，更新 cur 为当前元素和 cur + a[i] 的较大值。
如果 cur 为负数，则从当前元素重新开始计算子数组和。

代码实现：

#include <bits/stdc++.h>
using namespace std;

int main() {
    int n;
    cin >> n;
    int ret = INT_MIN, cur = 0;
    
    for (int i = 0; i < n; i++) {
        int a;
        cin >> a;
        cur = max(a, cur + a);  // 如果当前和为负，则从当前元素开始
        ret = max(ret, cur);  // 更新最大子段和
    }
    
    cout << ret << endl;
    return 0;
}

时间复杂度：

时间复杂度：O(n)，每个元素遍历一次。
空间复杂度：O(1)，常数空间。

优缺点：

优点：最优解法，时间复杂度 O(n)，空间复杂度 O(1)，适用于大规模数据。
缺点：相对较难理解，尤其对于初学者。

总结与对比

算法	时间复杂度	空间复杂度	优缺点
暴力法	O(n²)	O(1)	简单直观，适用于小规模数据，但时间复杂度高。
前缀和优化	O(n²)	O(n)	通过前缀和优化暴力法，但依然时间复杂度较高，适用于小规模数据。
分治法	O(n log n)	O(log n)	递归优雅，适合复杂问题，但时间复杂度较高，空间开销大。
贪心算法	O(n)	O(1)	高效，适用于大规模数据，但不一定得到最优解。
普通动态规划	O(n)	O(n)	能处理大规模数据，但空间复杂度较高。
Kadane 算法	O(n)	O(1)	最优解法，适用于大规模数据，时间空间复杂度最低。

从表中可以看出，Kadane 算法是最优解法，适用于大规模数据。对于小规模数据，暴力法、前缀和优化和分治法可以作为参考，而贪心算法能高效解决问题，但并不适用于所有情况。

本文参与腾讯云自媒体同步曝光计划，分享自作者个人站点/博客。

原始发表：2025-03-13，如有侵权请联系 cloudcommunity@tencent.com 删除

算法

本文分享自作者个人站点/博客前往查看

如有侵权，请联系 cloudcommunity@tencent.com 删除。

本文参与腾讯云自媒体同步曝光计划，欢迎热爱写作的你一起参与！

登录后参与评论

0 条评论

热度