几木木1. 问题背景与核心挑战
最大子数组和（Maximum Subarray Sum）是动态规划领域的经典问题，其变种"允许删除一个元素的最大子数组和"在LeetCode上编号为1186。这个问题在金融数据分析、信号处理等领域有广泛应用价值。
常规的最大子数组和问题可以通过Kadane算法在O(n)时间内解决。但当引入"允许删除一个元素"的条件后，问题复杂度显著提升。我们需要设计一个状态转移方程，能够同时跟踪包含/不包含删除操作时的最优解。
关键洞察：删除操作本质上是在原数组上创造了一个"缺口"，我们需要在动态规划状态中显式记录是否已经使用过这个删除机会。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 动态规划状态设计
2.1 状态定义
我们定义两个DP数组：
keep[i]：表示以第i个元素结尾，且未删除任何元素时的最大和delete[i]：表示以第i个元素结尾，且已经删除过一个元素时的最大和
初始条件：
keep[0] = nums[0]delete[0] = -∞（第一个元素无法执行删除）
2.2 状态转移方程
对于i > 0的情况：
-
keep[i]的转移：- 要么延续之前的子数组（
keep[i-1] + nums[i]） - 要么从当前元素重新开始（
nums[i]） - 取两者较大值：
keep[i] = max(keep[i-1] + nums[i], nums[i])
- 要么延续之前的子数组（
-
delete[i]的转移：- 删除当前元素：继承
keep[i-1]（因为删除nums[i]） - 保留当前元素但之前已经删除过：
delete[i-1] + nums[i] - 取两者较大值：
delete[i] = max(keep[i-1], delete[i-1] + nums[i])
- 删除当前元素：继承
2.3 边界情况处理
需要考虑全负数数组的特殊情况。例如输入为[-1,-2,-3]时，必须删除一个元素（实际删除哪个结果相同），此时最大和为-1。
3. 算法实现与优化
3.1 基础实现（Python示例）
python复制def maximumSum(arr):
n = len(arr)
if n == 1:
return arr[0]
keep = [0] * n
delete = [0] * n
keep[0] = arr[0]
delete[0] = float('-inf')
for i in range(1, n):
keep[i] = max(keep[i-1] + arr[i], arr[i])
delete[i] = max(keep[i-1], delete[i-1] + arr[i])
return max(max(keep), max(delete))
时间复杂度：O(n)
空间复杂度：O(n)
3.2 空间优化版本
观察到每个状态只依赖前一个状态，可以将空间复杂度优化到O(1)：
python复制def maximumSum(arr):
n = len(arr)
if n == 1:
return arr[0]
keep = arr[0]
delete = float('-inf')
res = max(keep, delete)
for i in range(1, n):
new_delete = max(keep, delete + arr[i])
new_keep = max(keep + arr[i], arr[i])
res = max(res, new_keep, new_delete)
keep, delete = new_keep, new_delete
return res
4. 正确性验证与测试用例
4.1 典型测试用例
-
常规情况：
- 输入：[1,-2,0,3]
- 解释：删除-2得到[1,0,3]，和为4
- 输出：4
-
全负数数组：
- 输入：[-1,-2,-3]
- 解释：必须删除一个元素，最大和为-1
- 输出：-1
-
无需删除：
- 输入：[2,1,-2,-5,-2]
- 解释：最大子数组[2,1]无需删除
- 输出：3
-
单元素数组：
- 输入：[5]
- 输出：5
4.2 边界条件测试
- 空数组（根据问题描述不会出现）
- 全零数组
- 交替正负数数组
- 大数开头/结尾的数组
5. 算法分析与对比
5.1 与经典Kadane算法对比
经典Kadane算法（不允许删除）：
python复制max_current = max_global = nums[0]
for num in nums[1:]:
max_current = max(num, max_current + num)
max_global = max(max_global, max_current)
return max_global
对比可见，1186题需要维护两个状态变量，而经典版本只需一个。这体现了动态规划"通过增加状态维度来处理更复杂约束"的典型思路。
5.2 与其他DP问题关联
这个问题与以下经典DP问题有相似之处：
- 股票买卖问题（记录持有/未持有状态）
- 带冷冻期的股票买卖
- 打家劫舍问题（相邻元素不能同时选）
共同特点是：当前决策会影响后续决策，需要通过多个状态来记录不同的决策路径。
6. 实际应用场景
- 金融数据分析：寻找最佳投资时段，允许忽略一个异常数据点
- 信号处理：去除噪声干扰后的信号最大强度分析
- 基因组学：DNA序列片段分析，允许一个突变点
- 质量控制：连续生产数据中找出最优生产区间，允许一个异常值
7. 常见错误与调试技巧
7.1 典型实现错误
-
错误初始化
delete[0]：- 错误做法：设为0或arr[0]
- 正确应为：-∞（因为第一个元素无法执行删除）
-
最终结果选择：
- 错误做法：仅取max(delete)
- 必须考虑：max(max(keep), max(delete))
-
空间优化时的更新顺序：
- 必须先计算new_delete再计算new_keep
- 因为new_delete依赖旧的keep值
7.2 调试建议
-
打印DP表格：
python复制print(f"i={i}, keep={keep[i]}, delete={delete[i]}") -
可视化数组：
用matplotlib绘制数组和DP值的变化曲线 -
小规模测试：
先用n=3的数组手动计算验证
8. 进阶思考与扩展
8.1 允许删除k个元素
如果扩展为允许删除最多k个元素，状态维度需要增加：
- 定义
dp[i][j]：以i结尾，已经删除j次的最大和 - 状态转移需要考虑更多情况
8.2 需要返回具体子数组
如果需要返回具体是哪段子数组和删除的元素，可以：
- 在DP过程中记录路径
- 使用辅助数组存储决策点
8.3 二维矩阵版本
扩展到二维矩阵中的最大子矩阵和问题，结合此题可以思考：
- 如何定义删除行/列的操作
- 状态设计将更加复杂