一文看懂《最大子序列和问题》

最大子序列和是一道经典的算法题， leetcode 也有原题《53.maximum-sum-subarray》，今天我们就来彻底攻克它。
题目描述
求取数组中最大连续子序列和，例如给定数组为 A = [1， 3， -2， 4， -5]， 则最大连续子序列和为 6，即 1 + 3 +（-2）+ 4 = 6。 去
首先我们来明确一下题意。
题目说的子数组是连续的
题目只需要求和，不需要返回子数组的具体位置。
数组中的元素是整数，但是可能是正数，负数和 0。
子序列的最小长度为 1。
比如：
对于数组 [1, -2, 3, 5, -3, 2], 应该返回 3 + 5 = 8
对于数组 [0, -2, 3, 5, -1, 2], 应该返回 3 + 5 + -1 + 2 = 9
对于数组 [-9, -2, -3, -5, -3], 应该返回 -2
解法一 - 暴力法（超时法）
一般情况下，先从暴力解分析，然后再进行一步步的优化。
思路
我们来试下最直接的方法，就是计算所有的子序列的和，然后取出最大值。 记 Sum[i,....,j]为数组 A 中第 i 个元素到第 j 个元素的和，其中 0 <= i <= j < n， 遍历所有可能的 Sum[i,....,j] 即可。
我们去枚举以 0,1,2...n-1 开头的所有子序列即可， 对于每一个开头的子序列，我们都去枚举从当前开始到 n-1 的所有情况。
这种做法的时间复杂度为 O(N^2), 空间复杂度为 O(1)。
代码
JavaScript:
1
function LSS(list) {
2
  const len = list.length;
3
  let max = -Number.MAX_VALUE;
4
  let sum = 0;
5
  for (let i = 0; i < len; i++) {
6
    sum = 0;
7
    for (let j = i; j < len; j++) {
8
      sum += list[j];
9
      if (sum > max) {
10
        max = sum;
11
      }
12
    }
13
  }
14
​
15
  return max;
16
}
Copied!
Java：
1
class MaximumSubarrayPrefixSum {
2
  public int maxSubArray(int[] nums) {
3
      int len = nums.length;
4
      int maxSum = Integer.MIN_VALUE;
5
      int sum = 0;
6
      for (int i = 0; i < len; i++) {
7
        sum = 0;
8
        for (int j = i; j < len; j++) {
9
          sum += nums[j];
10
          maxSum = Math.max(maxSum, sum);
11
        }
12
      }
13
      return maxSum;
14
  }
15
}
Copied!
Python 3:
1
import sys
2
class Solution:
3
    def maxSubArray(self, nums: List[int]) -> int:
4
        n = len(nums)
5
        maxSum = -sys.maxsize
6
        sum = 0
7
        for i in range(n):
8
            sum = 0
9
            for j in range(i, n):
10
                sum += nums[j]
11
                maxSum = max(maxSum, sum)
12
​
13
        return maxSum
Copied!
空间复杂度非常理想，但是时间复杂度有点高。怎么优化呢？我们来看下下一个解法。
解法二 - 分治法
思路
我们来分析一下这个问题， 我们先把数组平均分成左右两部分。
此时有三种情况：
最大子序列全部在数组左部分
最大子序列全部在数组右部分
最大子序列横跨左右数组
对于前两种情况，我们相当于将原问题转化为了规模更小的同样问题。
对于第三种情况，由于已知循环的起点（即中点），我们只需要进行一次循环，分别找出 左边和右边的最大子序列即可。
所以一个思路就是我们每次都对数组分成左右两部分，然后分别计算上面三种情况的最大子序列和， 取出最大的即可。
举例说明，如下图：
​
 (by snowan)
这种做法的时间复杂度为 O(N*logN), 空间复杂度为 O(1)。
代码
JavaScript:
1
function helper(list, m, n) {
2
  if (m === n) return list[m];
3
  let sum = 0;
4
  let lmax = -Number.MAX_VALUE;
5
  let rmax = -Number.MAX_VALUE;
6
  const mid = ((n - m) >> 1) + m;
7
  const l = helper(list, m, mid);
8
  const r = helper(list, mid + 1, n);
9
  for (let i = mid; i >= m; i--) {
10
    sum += list[i];
11
    if (sum > lmax) lmax = sum;
12
  }
13
​
14
  sum = 0;
15
​
16
  for (let i = mid + 1; i <= n; i++) {
17
    sum += list[i];
18
    if (sum > rmax) rmax = sum;
19
  }
20
​
21
  return Math.max(l, r, lmax + rmax);
22
}
23
​
24
function LSS(list) {
25
  return helper(list, 0, list.length - 1);
26
}
Copied!
Java:
1
class MaximumSubarrayDivideConquer {
2
  public int maxSubArrayDividConquer(int[] nums) {
3
      if (nums == null || nums.length == 0) return 0;
4
      return helper(nums, 0, nums.length - 1);
5
    }
6
    private int helper(int[] nums, int l, int r) {
7
      if (l > r) return Integer.MIN_VALUE;
8
      int mid = (l + r) >>> 1;
9
      int left = helper(nums, l, mid - 1);
10
      int right = helper(nums, mid + 1, r);
11
      int leftMaxSum = 0;
12
      int sum = 0;
13
      // left surfix maxSum start from index mid - 1 to l
14
      for (int i = mid - 1; i >= l; i--) {
15
        sum += nums[i];
16
        leftMaxSum = Math.max(leftMaxSum, sum);
17
      }
18
      int rightMaxSum = 0;
19
      sum = 0;
20
      // right prefix maxSum start from index mid + 1 to r
21
      for (int i = mid + 1; i <= r; i++) {
22
        sum += nums[i];
23
        rightMaxSum = Math.max(sum, rightMaxSum);
24
      }
25
      // max(left, right, crossSum)
26
      return Math.max(leftMaxSum + rightMaxSum + nums[mid], Math.max(left, right));
27
    }
28
}
Copied!
Python 3 :
1
import sys
2
class Solution:
3
    def maxSubArray(self, nums: List[int]) -> int:
4
        return self.helper(nums, 0, len(nums) - 1)
5
    def helper(self, nums, l, r):
6
        if l > r:
7
            return -sys.maxsize
8
        mid = (l + r) // 2
9
        left = self.helper(nums, l, mid - 1)
10
        right = self.helper(nums, mid + 1, r)
11
        left_suffix_max_sum = right_prefix_max_sum = 0
12
        sum = 0
13
        for i in reversed(range(l, mid)):
14
            sum += nums[i]
15
            left_suffix_max_sum = max(left_suffix_max_sum, sum)
16
        sum = 0
17
        for i in range(mid + 1, r + 1):
18
            sum += nums[i]
19
            right_prefix_max_sum = max(right_prefix_max_sum, sum)
20
        cross_max_sum = left_suffix_max_sum + right_prefix_max_sum + nums[mid]
21
        return max(cross_max_sum, left, right)
Copied!
解法三 - 动态规划
思路
我们来思考一下这个问题， 看能不能将其拆解为规模更小的同样问题，并且能找出 递推关系。
我们不妨假设问题 Q(list, i) 表示 list 中以索引 i 结尾的情况下最大子序列和， 那么原问题就转化为 Q(list, i), 其中 i = 0,1,2...n-1 中的最大值。
我们继续来看下递归关系，即 Q(list, i)和 Q(list, i - 1)的关系， 即如何根据 Q(list, i - 1) 推导出 Q(list, i)。
如果已知 Q(list, i - 1)， 我们可以将问题分为两种情况，即以索引为 i 的元素终止， 或者只有一个索引为 i 的元素。
如果以索引为 i 的元素终止， 那么就是 Q(list, i - 1) + list[i]
如果只有一个索引为 i 的元素，那么就是 list[i]
分析到这里，递推关系就很明朗了，即Q(list, i) = Math.max(0, Q(list, i - 1)) + list[i]
举例说明，如下图：
​
 (by snowan)
这种算法的时间复杂度 O(N), 空间复杂度为 O(1)
代码
JavaScript:
1
function LSS(list) {
2
  const len = list.length;
3
  let max = list[0];
4
  for (let i = 1; i < len; i++) {
5
    list[i] = Math.max(0, list[i - 1]) + list[i];
6
    if (list[i] > max) max = list[i];
7
  }
8
​
9
  return max;
10
}
Copied!
Java:
1
class MaximumSubarrayDP {
2
  public int maxSubArray(int[] nums) {
3
     int currMaxSum = nums[0];
4
     int maxSum = nums[0];
5
     for (int i = 1; i < nums.length; i++) {
6
       currMaxSum = Math.max(currMaxSum + nums[i], nums[i]);
7
       maxSum = Math.max(maxSum, currMaxSum);
8
     }
9
     return maxSum;
10
  }
11
}
Copied!
Python 3:
1
class Solution:
2
    def maxSubArray(self, nums: List[int]) -> int:
3
        n = len(nums)
4
        max_sum_ending_curr_index = max_sum = nums[0]
5
        for i in range(1, n):
6
            max_sum_ending_curr_index = max(max_sum_ending_curr_index + nums[i], nums[i])
7
            max_sum = max(max_sum_ending_curr_index, max_sum)
8
​
9
        return max_sum
Copied!
解法四 - 数学分析
思路
我们来通过数学分析来看一下这个题目。
我们定义函数 S(i) ，它的功能是计算以 0（包括 0）开始加到 i（包括 i）的值。
那么 S(j) - S(i - 1) 就等于 从 i 开始（包括 i）加到 j（包括 j）的值。
我们进一步分析，实际上我们只需要遍历一次计算出所有的 S(i), 其中 i 等于 0,1,2....,n-1。 然后我们再减去之前的 S(k),其中 k 等于 0，1，i - 1，中的最小值即可。 因此我们需要 用一个变量来维护这个最小值，还需要一个变量维护最大值。
这种算法的时间复杂度 O(N), 空间复杂度为 O(1)。
其实很多题目，都有这样的思想， 比如之前的《每日一题 - 电梯问题》。
代码
JavaScript:
1
function LSS(list) {
2
  const len = list.length;
3
  let max = list[0];
4
  let min = 0;
5
  let sum = 0;
6
  for (let i = 0; i < len; i++) {
7
    sum += list[i];
8
    if (sum - min > max) max = sum - min;
9
    if (sum < min) {
10
      min = sum;
11
    }
12
  }
13
​
14
  return max;
15
}
Copied!
Java:
1
class MaxSumSubarray {
2
  public int maxSubArray3(int[] nums) {
3
      int maxSum = nums[0];
4
      int sum = 0;
5
      int minSum = 0;
6
      for (int num : nums) {
7
        // prefix Sum
8
        sum += num;
9
        // update maxSum
10
        maxSum = Math.max(maxSum, sum - minSum);
11
        // update minSum
12
        minSum = Math.min(minSum, sum);
13
      }
14
      return maxSum;
15
  }
16
}
Copied!
Python 3:
1
class Solution:
2
    def maxSubArray(self, nums: List[int]) -> int:
3
        n = len(nums)
4
        maxSum = nums[0]
5
        minSum = sum = 0
6
        for i in range(n):
7
            sum += nums[i]
8
            maxSum = max(maxSum, sum - minSum)
9
            minSum = min(minSum, sum)
10
​
11
        return maxSum
Copied!
总结
我们使用四种方法解决了《最大子序列和问题》, 并详细分析了各个解法的思路以及复杂度，相信下次你碰到相同或者类似的问题 的时候也能够发散思维，做到一题多解，多题一解。
实际上，我们只是求出了最大的和，如果题目进一步要求出最大子序列和的子序列呢？ 如果要题目允许不连续呢？ 我们又该如何思考和变通？如何将数组改成二维，求解最大矩阵和怎么计算？ 这些问题留给读者自己来思考。