LeedCode——贪心专区

最新推荐文章于 2024-03-24 17:29:00 发布

我愛食黃燜雞

最新推荐文章于 2024-03-24 17:29:00 发布

阅读量127

点赞数

CC 4.0 BY-SA版权

文章标签： python leetcode 面试贪心算法动态规划

本文链接：https://blog.csdn.net/kimitoLMT/article/details/123894035

本文介绍如何使用动态规划解决股票买卖问题，通过定义状态max_profit和转移方程，计算在给定股票价格数组中，从最低点买入并在最高点卖出所能获得的最大利润。实例演示和关键代码实现帮助理解算法过程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

121. 买卖股票的最佳时机给定一个数组 prices ，它的第 i 个元素 prices[i] 表示一支给定股票第 i 天的价格。

你只能选择某一天买入这只股票，并选择在未来的某一个不同的日子卖出该股票。设计一个算法来计算你所能获取的最大利润。

返回你可以从这笔交易中获取的最大利润。如果你不能获取任何利润，返回 0 。

示例 1：

输入：[7,1,5,3,6,4]
输出：5
解释：在第 2 天（股票价格 = 1）的时候买入，在第 5 天（股票价格 = 6）的时候卖出，最大利润 = 6-1 = 5 。
注意利润不能是 7-1 = 6, 因为卖出价格需要大于买入价格；同时，你不能在买入前卖出股票。

示例 2：

输入：prices = [7,6,4,3,1]
输出：0
解释：在这种情况下, 没有交易完成, 所以最大利润为 0。

提示：

1 <= prices.length <= 105
0 <= prices[i] <= 104

来源：力扣（LeetCode）
DP (dynamic programming)

DP的思路：利用原问题与子问题的关系，将其变成大问题的解 = 小问题的解的函数，从而将问题变成size的扩展即可，当size到达最大后，原问题解决了

DP的keypoint

转移方程（大问题与小问题的关系）

 1）定义状态：定义一个状态，例如f(i) = 到a[i]为止到最小值
 2）设计转移方程：根据如上状态方程定义，则有 f(i+1) = min(f(i), a[i+1])
 
 tip:
 转移方程的设计完全依赖于状态的定义，并不是什么样的状态定义，都能有状态转移方程，因此，状态定义决定了该DP方法能否实现

初始条件的设置： Dp本质还是迭代，总要有一个迭代的初值。

特殊处理小size的问题：有些情况，由于size太小，没法带入转移方程中。

根据该问题，依次回答上述问题：

大问题与小问题的关系

 1）状态定义：我们定义max_profit为第i天的最大收益
 2）状态转移方程：
 第i天的最大收益和第i-1天的最大收益之间的关系：
     i) 最大收益不是第i天抛出的，                        ---最大收益和第i天的价格无关
     ii）最大收益是在第i-1天前某天买入的，并在第i天抛出的，  ---与第i天的价格有关

 因此第i天的最大收益等于：第i天抛出所造成的最大收益 和 第i-1天之前的最大收益 中的最大值
 即：
 前i天的最大收益 = max{前i-1天的最大收益，第i天的价格-前i-1天中的最小价格}
 其中：
 前i-1天中的最小价格需时时更新并记录

初始条件：

 min 和 max_profit
 min可以等于第一天的price
 max_profit可以等于0， 因为最大收益的最小值就是0， 用人话叫，最低也不能赔了

小于最小问题的特殊情况： 当list的长度为0 和 1 时， 没有办法带入转移公式中，需要特殊处理。

这题目解法可以用贪心也可以用dp都一样代码如下

def maxProfit(prices):
    if len(prices) <= 1:
        return 0

    min_input = prices[0]
    max_profit = 0
    for p in prices[1:]:
        min_input = min(p, min_input)
        max_profit = max(max_profit, p - min_input)

    return max_profit

不懂留言！