最大子序列和问题 一步一步到最优

       在《数据结构和算法分析 C++描述》上看到了一个例子。看过之后，我就在想，这是怎么一步一步的递推出来的，想了好长时间，才整理成这篇博文。

问题描述：

        给定一个整数序列，a0, a1, a2, …… , an（项可以为负数），求其中最大的子序列和。如果所有整数都是负数，那么最大子序列和为0；

                  例如：对于序列-2， 11， -4， 13， -5， –2。 所求的最大子序列和为20（从11到13，即从a1到a3）。

       用于测试下面代码的的主函数代码如下：（注意要更改调用的函数名）

int main(int argc, char **argv) {    vector<int> a;    a.push_back(-2);    a.push_back(11);    a.push_back(-4);    a.push_back(13);    a.push_back(-5);    a.push_back(-2);        int result;    result = maxSubSum1(a);  //在这里更改调用的函数名    cout<<result<<endl;  //正确结果为 20    return 0;}

方法一：对所有的子序列求和，在其中找到最大的

        这是最容易想到的，也是最直接的，就是对所有的子序列求和，代码如下：

/** * 方法 1：计算所有两点之间的序列之和，每次循环固定i，把a[i]当做起点 */int maxSubSum1( const vector<int> &a ) {    int maxSum = 0;    for(int i=0; i<a.size(); i++ ) {        for(int j=i; j<a.size(); j++ ) {            int thisSum =0;            for( int k=i; k<=j; k++ ) {                thisSum += a[k];            }            if(thisSum>maxSum) {                maxSum = thisSum;            }        }    }    return maxSum;}

分析：

         ① 三层循环嵌套，时间复杂度为O(n^3)；

         ② 包含有大量的重复计算，例如i=1时： 当 j=3，则计算a1+a2+a3；j=4，则计算a1+a2+a3+a4；其中a1+a2+a3是重复计算的。

另一种思路：上面的方法在每一次循环中，固定i，并把a[i]当做起点，下面的方法将a[i]当做终点。

/** * 方法 1_2：每次循环固定i，把a[i]当做终点 */int maxSubSum1_2( const vector<int> &a ) {    int maxSum = 0;    for(int i=0; i<a.size(); i++ ) {        for(int j=0; j<i; j++ ) {            int thisSum =0;            for(int k=j; k<=i; k++) {                thisSum +=a[k];     //从节点j开始 累加到节点i                if(thisSum>maxSum) {                    maxSum = thisSum;                }            }        }    }    return maxSum;}

方法二：从某点开始的所有序列中，找最大的

         如果你意识到，子序列总要有一个位置开始，那么变换一下循环方式，只要求出在所有位置开始的子序列，找到最大的。代码如下：

/** * 方法 2：从某一个节点开始的序列中，找最大的子序列和 */int maxSubSum2( const vector<int> &a ) {    int maxSum = 0;    for(int i=0; i<a.size(); i++ ) {        int thisSum =0;        for(int j=i; j<a.size(); j++ ) {            thisSum +=a[j];     //从节点i开始 累加到结尾            if(thisSum>maxSum) {                maxSum = thisSum;            }        }    }    return maxSum;}

分析：

         ① 两层循环嵌套，时间复杂度为O(n^2)；

         ② 虽然比方法一要少，但同样包含重复计算。例如：当i=1时，要计算a1+a2+a3+a4+……；当i=2时，要计算a2+a3+a4+……；其中a2+a3+a4+……是重复的。

注意：下面是一个错误的方法，因为它的起始点固定了，每次都从a0开始，是不能保证遍历所有的子序列的。

/** * 方法 2_2：（错误的方法）起始点固定了 */int maxSubSum2_2( const vector<int> &a ) {    int maxSum = 0;    for(int i=0; i<a.size(); i++ ) {        int thisSum =0;        for(int j=0; j<=i; j++ ) {            thisSum +=a[j];     //从节点0开始 累加到节点i            if(thisSum>maxSum) {                maxSum = thisSum;            }        }    }    return maxSum;}

如果希望将固定终点，那么计算的时候就要从终点开始，依次往前累加。代码如下：

/** * 方法 2_3：（正确的代码）从终点开始，依次往前累加 */int maxSubSum2_3( const vector<int> &a ) {    int maxSum = 0;    for(int i=0; i<a.size(); i++ ) {        int thisSum =0;        for(int j=i; j>=0; j-- ) {//从节点i开始，向前累加到结尾0            thisSum +=a[j];                 if(thisSum>maxSum) {                maxSum = thisSum;            }        }    }    return maxSum;}

方法三：从某一个正数开始

第一步：

        到目前为止，题目的信息你只用到了：“最小子序列之和为0”（若有一项大于0，那么子序列的和一定大于或等于该项，也就大于0；因为若所有项都是负数，那么结果为0

        如果你再挖掘一下题意：你就会发现，如果a[i]是负的，那么a[i]一定不是最终所有结果子序列的起始点。代码可以改造为：

/** * 方法 3_1：如果a[i]是负数，那么不可能作为序列的起点 */int maxSubSum3_1( const vector<int> &a ) {    int maxSum = 0;    for(int i=0; i<a.size(); i++ ) {        //（相对方法2，新增）如果a[i]<=0,那么a[i]一定不是所要求的起点，所以直接跳过去（利用for循环中有i++）        if( a[i]<=0 ) {            continue;        }        int thisSum =0;        for(int j=i; j<a.size(); j++ ) {            thisSum +=a[j];            if(thisSum>maxSum) {                maxSum = thisSum;            }        }    }    return maxSum;}

第二步：

        如果你又再一步发现：任何负的子序列，不可能作为最优子序列的前缀。

        又因为上一步已经保证，序列以正数开头a[i]>0，所以若a[i]到a[j]之间元素的序列和 thisSum<=0时，则i+1和j之间元素不会为最优子序列的前缀，可以让i=j，即不需要判断在i和j之间元素开头。代码如下

/** * 方法 3_2：任何负的子序列，不可能作为最优子序列的前缀 *              （在上一步已经保证，序列以正数开头，所以若thisSum<=0， *                  那么可以令i=j，即不需要判断在i和j之间元素开头的序列） */int maxSubSum3_2( const vector<int> &a ) {    int maxSum = 0;    for(int i=0; i<a.size(); i++ ) {        //（相对方法2，新增）如果a[i]<=0,那么a[i]一定不是所要求的起点，所以直接跳过去（利用for循环中有i++）        if( a[i]<=0 ) {            continue;        }        int thisSum =0;        for(int j=i; j<a.size(); j++ ) {            thisSum +=a[j];            if(thisSum>maxSum) {                maxSum = thisSum;            } else if( thisSum <= 0 ) { //（相对方法3_1 新添）                thisSum = 0;                i = j;            }        }    }    return maxSum;}

 

第三步：

        如果你又进一步发现：因为要求序列开始元素大于0，
                若以a[i]开头的序列，a[i]>0，那么可以知道，所求的最终子序列一定不会以a[i+1]开始，
                      因为若到相同的元素终止，那么从a[i]开始序列，一定大于从a[i+1]开始的序列。因为s[i, k]=s[i+1, k]+a[i]
                      例如：a1+a2+a3>0，而又由于这时a1>0, 那么所求子序列一定不会以a2开始，因为从a1开始会更大。
                更进一步，如若一个子序列thisSum>0（其中thisSum是从第m项到第n项的和），那么序列一定不会以a[m]和a[n]之间的项开始。
                      因为一直thisSum第一个元素a[m]是大于0的，且以a[m]开始的所有子序列都是大于0的，因为若存在子序列小于0，就会提前返回了。
                      例如：若程序执行到thisSum （为a2+a3+a4），若thisSum>0，则能说明，a2>0，并且a2+a3>0， a2+a3+a4>0。那么 也可以跳过a[m]和a[n]之间的项，即另 i=j。

/** * 方法 3_3：若程序执行到thisSum （为a2+a3+a4），若thisSum>0，则能说明，a2>0，并且a2+a3>0， a2+a3+a4>0。 */int maxSubSum3_3( const vector<int> &a ) {    int maxSum = 0;    for(int i=0; i<a.size(); i++ ) {        //（相对方法2，新增）如果a[i]<=0,那么a[i]一定不是所要求的起点，所以直接跳过去（利用for循环中有i++）        if( a[i]<=0 ) {            continue;        }        int thisSum =0;        for(int j=i; j<a.size(); j++ ) {            thisSum +=a[j];            if( thisSum>0 ) {   //（相对方法3_2 新添）                if(thisSum>maxSum) {                    maxSum = thisSum;                }                i = j;  //（相对方法3_2 新添）            } else if( thisSum <= 0 ) { //（相对方法3_1 新添）                thisSum = 0;                i = j;            }        }    }    return maxSum;}

第四步：

最后如果你又了解一些程序结构上的优化的知识，那么你会发现下面的问题：

① 循环的分支可以改变一下，去除嵌套分支结构。

② 判断语句的分支中有共同部分，( i=j )，可以抽取出来。

以上两步以后，循环部分的代码编程 变成：

for(int i=0; i<a.size(); i++ ) {    if( a[i]<=0 ) {        continue;    }    int thisSum =0;    for(int j=i; j<a.size(); j++ ) {        thisSum +=a[j];        if(thisSum>maxSum) {            maxSum = thisSum;        } else if( thisSum>0 ) {            //do nothing        } else if( thisSum <= 0 ) {            thisSum = 0;        }        i = j;    }}

 

③ 下面这步非常重要，如果你发现，内层循环的循环变量j 和 外层循环的循环变量i 同步增长，那么你是否能够想到，外层循环可能没有存在的必要。 在这里到底能不能去除外层循环，取决于外层循环中是否有额外的工作要做。这里的额外工作是是if(a[i] <=0) 判断语句，如果你能发现内层循环的 if(thisSum < 0)的判断能够替代 if( a[i]<=0 ) 的工作。因为thisSum是由a[j]得到的。

到这里，代码就可以神奇的变为如下的形式：常量空间，线性时间

/** * 方法 3_4：最终形式 */int maxSubSum3_4( const vector<int> &a ) {    int maxSum = 0;    int thisSum = 0;    for(int j=0; j<a.size(); j++ ) {        thisSum += a[j];        if(thisSum>maxSum) {            maxSum = thisSum;        } else if( thisSum>0 ) {            //do nothing        } else if( thisSum < 0 ) {            thisSum = 0;        }    }    return maxSum;}

分析：

        ① 只有一层循环，时间复杂度为O(n)。常量空间，线性时间，这是最优解法。

方法四：分治算法（divide and conquer）

本方法和前面三种方法没有直接关系，只是思路的开阔。

因为最大子序列只可能出现在三个地方：①整个出现在原数组的左半部， 或者②整个出现在右半部， 或者③跨越中间、从左半部到右半部。

对于第①种和第②种情况，采用递归的方式可以解决。对于第③种情况，分别求出从中间位置开始的最大值然后相加即可。最后比较这三种情况的结果，三者的最大值就是所要求的结果。

/** * 方法 4：分治策略 */ //计算三个整数的最大值int max3(int i, int j, int k){    return (i>j) ? ((i>k)?i:k) : ((j>k)?j:k);}//分治策略的递归函数int maxSumRec( const vector<int> &a, int left, int right ){    //终止条件    if( left==right ){        if( a[left]>0 ){ //如果该项大于0，才返回            return a[left];        }else{  //如果该项小于0，返回0            return 0;        }    }    //计算左半部 和 右半部    int center = (left+right)/2;    int maxLeftSum = maxSumRec(a, left, center);    int maxRightSum = maxSumRec(a, center+1, right);        //计算跨越中间    int maxLeftBorderSum=0, leftBorderSum=0;    for( int i=center; i>=left; i-- ){        leftBorderSum += a[i];        if(leftBorderSum > maxLeftBorderSum ){            maxLeftBorderSum = leftBorderSum;        }    }        int maxRightBorderSum=0, rightBorderSum=0;    for( int i=center+1; i<=right; i++ ){        rightBorderSum += a[i];        if(rightBorderSum > maxRightBorderSum ){            maxRightBorderSum = rightBorderSum;        }    }    //返回三个部分的最大值    return max3(maxLeftSum, maxRightSum, maxLeftBorderSum+maxRightBorderSum ); }int maxSubSum4( const vector<int> &a ) {    return maxSumRec( a, 0, a.size()-1 );}

分析：

        ① 时间复杂度为O(n*logn)。时间复杂度的递归公式为：T(N) = 2T(N/2) + N。解方程可以得到 T(N)=O(N*logN)。（计算过程较复杂，没有深究的必要）

总结：

        上面罗列的一步一步的演变过程，并不是绝对的因果关系，有可能你根本没有从方法一逐渐的演变，直接就能写出方法三的最后一种方法（最优解法）。

        但是如果你没有直接写出来，那么你是否会考虑重构你的代码？其实在逐步追求优化的过程中，那感觉还是非常好的！

 

本文链接：http://blog.csdn.net/daheiantian/archive/2011/03/03/6453295.aspx