最大子序列和问题

问题： 
给定一整数序列A1， A2，... An （可能有负数），求A1~An的一个子序列Ai~Aj，使得Ai到Aj的和最大 
例如：整数序列-2, 11, -4, 13, -5, 2, -5, -3, 12, -9的最大子序列的和为21。对于这个问题，最简单也是最容易想到的那就是穷举所有子序列的方法。利用三重循环，依次求出所有子序列的和然后取最大的那个。当然算法复杂度会达到O(n^3)。

int maxSubSum1(int a[],int size ) {    int maxSum = 0;    for ( int i = 0; i < size; i++ )        for ( int j = 1; j < size; j++ )         {             int thisSum = 0;             for ( int k = i; k <= j; k++ )                 thisSum += a[k];             if ( thisSum > maxSum )                maxSum = thisSum;        }    return maxSum;}

这个算法很简单，i表示子序列起始下标，j表示子序列结束下标，遍历子序列的开头和结束下标，计算子序列的和，然后判断最大子序列。很明显的看出算法复杂度是O( pow( n, 3 ) )

显然这种方法不是最优的，下面给出一个算法复杂度为O(n)的线性算法实现，算法的来源于Programming Pearls一书。在给出线性算法之前，先来看一个对穷举算法进行优化的算法，它的算法复杂度为O(n^2)。其实这个算法只是对对穷举算法稍微做了一些修改：其实子序列的和我们并不需要每次都重新计算一遍。假设Sum(i, j)是A[i] ... A[j]的和，那么Sum(i, j+1) = Sum(i, j) + A[j+1]。利用这一个递推，我们就可以得到下面这个算法： 

int max_sub(int a[],int size){　　int i,j,v;    int max=a[0];　　for(i=0;i<size;i++)　　{　　　　v=0;　　　　for(j=i;j<size;j++)　　　　{　　　　　　v=v+a[j];         //Sum(i, j+1) = Sum(i, j) + A[j+1]　　　　　　if(v>max)  max=v;　　　　}　　}　　return max;}

那怎样才能达到线性复杂度呢？这里运用动态规划的思想。先看一下源代码实现：

int max_sub2(int a[], int size){　　int i,max=0,temp_sum=0;　　for(i=0;i<size;i++)　　{　　　　　　temp_sum+=a[i];　　　　　　if(temp_sum>max)　　　　　　　　max=temp_sum;　　　　　　else if(temp_sum<0)　　　　　　　　temp_sum=0;　　}　　return max;}

在这一遍扫描数组当中，从左到右记录当前子序列的和temp_sum，若这个和不断增加，那么最大子序列的和max也不断增加(不断更新max)。如果往前扫描中遇到负数，那么当前子序列的和将会减小。此时temp_sum 将会小于max，当然max也就不更新。如果temp_sum降到0时，说明前面已经扫描的那一段就可以抛弃了，这时将temp_sum置为0。然后，temp_sum将从后面开始将这个子段进行分析，若有比当前max大的子段，继续更新max。这样一趟扫描结果也就出来了。 

分治法：最大子序列和可能出现在三个地方：整个出现在输入数据的左半部分，整个出现在输入数据的右半部分，或者跨越输入数据的中部从而占据左右两个半部分。

/** * Recursive maximum contiguous subsequence sum algorithm. * Finds maximum sum in subarray spanning a[left..right]. * Does not attempt to maintain actual best sequence. */int maxSumRec( const vector<int> & a, int left, int right ){    if( left == right )  // Base case        if( a[ left ] > 0 )            return a[ left ];        else            return 0;    int center = ( left + right ) / 2;    int maxLeftSum  = maxSumRec( a, left, center );    int maxRightSum = maxSumRec( a, center + 1, right );    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 j = center + 1; j <= right; j++ )    {        rightBorderSum += a[ j ];        if( rightBorderSum > maxRightBorderSum )            maxRightBorderSum = rightBorderSum;    }    return max3( maxLeftSum, maxRightSum, maxLeftBorderSum + maxRightBorderSum );}/** * Driver for divide-and-conquer maximum contiguous * subsequence sum algorithm. */int maxSubSum3( const vector<int> & a ){    return maxSumRec( a, 0, a.size( ) - 1 );}