1. 最大子数组和问题解析
最大子数组和问题(Maximum Subarray Problem)是算法领域的一个经典问题,也是动态规划思想的典型应用场景。这个问题的核心在于:给定一个整数数组,找到一个连续子数组,使得该子数组的和是所有可能子数组中最大的。
1.1 问题理解与示例分析
让我们先看几个典型示例来理解这个问题:
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
从这些示例可以看出,最大子数组可能出现在数组的任何位置,长度也可能各不相同。特别需要注意的是,当数组中所有元素都是负数时,最大子数组就是最大的那个负数本身。
1.2 滑动窗口解法详解
滑动窗口是解决这类连续子数组问题的常见方法。其核心思想是维护一个窗口,通过调整窗口的左右边界来寻找最优解。
1.2.1 滑动窗口实现思路
- 初始化左指针l=0,右指针r从1开始遍历
- 维护当前窗口和max_n和全局最大值ans
- 当窗口和为负时,收缩左边界(因为负数会拖累后续和)
- 每次扩展右边界时更新全局最大值
java复制class Solution {
public int maxSubArray(int[] nums) {
int n = nums.length;
int l = 0, r;
int max_n = nums[0], ans = nums[0];
for (r = 1; r < n; r++) {
while (l < r && max_n < 0) {
max_n -= nums[l];
l++;
}
max_n += nums[r];
ans = Math.max(ans, max_n);
}
return ans;
}
}
1.2.2 滑动窗口的优缺点
优点:
- 直观易懂,符合人类思维
- 时间复杂度O(n),空间复杂度O(1)
缺点:
- 需要处理窗口收缩条件
- 对于全负数数组需要特殊处理
1.3 贪心算法解法
贪心算法提供了一种更简洁的解决方案,其核心思想是:当当前子数组和为负数时,立即放弃它,从下一个元素重新开始计算。
1.3.1 贪心算法实现
javascript复制function maxSubArray(nums) {
let sum = 0, maxSum = nums[0];
for (const num of nums) {
if (sum < 0) sum = 0;
sum += nu
