最大子数组问题和kadane算法

王林
发布: 2024-08-14 11:08:01
原创
1135 人浏览过

最大子数组问题及其历史

20世纪70年代末,瑞典数学家Ulf Grenander一直在讨论一个问题:如何比暴力破解更有效地分析二维图像数据数组?那时的计算机速度很慢,图片相对于 RAM 来说也很大。更糟糕的是,在最坏的情况下,暴力破解需要 O(n^6) 时间(六次时间复杂度)。

首先,Grenandier 简化了问题:给定一个一维数字数组,如何最有效地找到总和最大的连续子数组?

max subarray problem and kadane

蛮力:一种具有立方时间复杂度的简单方法

暴力破解,分析一维数组的时间是分析二维数组的一半,因此检查每种可能的组合(立方时间复杂度)需要 O(n^3)。

def max_subarray_brute_force(arr):
    max_sum = arr[0] # assumes arr has a length

    # iterate over all possible subarrays
    for i in range(len(arr)):
        for j in range(i, len(arr)):
            current_sum = 0
            # sum the elements of the subarray arr[i:j+1]
            for k in range(i, j + 1):
                current_sum += arr[k]
            # update max_sum if the current sum is greater
            max_sum = max(max_sum, current_sum)

    return max_sum

print(max_subarray_brute_force([-2, -3, 4, -1, -2, 1, 5, -3]), "== 7")

登录后复制

Grenander 的 O(n²) 优化:向前迈出了一步

Grenander 将其改进为 O(n^2) 解决方案。我在研究中找不到他的代码,但我的猜测是他只是摆脱了最内层的循环,该循环将两个索引之间的所有数字相加。相反,我们可以在迭代子数组时保留运行总和,从而将循环次数从三个减少到两个。

def max_subarray_optimized(arr):
    max_sum = arr[0]  # assumes arr has a length

    # iterate over all possible starting points of the subarray
    for i in range(len(arr)):
        current_sum = 0
        # sum the elements of the subarray starting from arr[i]
        for j in range(i, len(arr)):
            current_sum += arr[j]
            # update max_sum if the current sum is greater
            max_sum = max(max_sum, current_sum)

    return max_sum
登录后复制

Shamos 的分而治之:将问题分解为 O(n log n)

Grenander 向计算机科学家 Michael Shamos 展示了这个问题。 Shamos思考了一晚上,想出了一个分而治之的方法,O(n log n)。

这真是太聪明了。其思想是将数组分成两半,然后递归地找到每一半的最大子数组和以及穿过中点的子数组。

def max_crossing_sum(arr, left, mid, right):
    # left of mid
    left_sum = float('-inf')
    current_sum = 0
    for i in range(mid, left - 1, -1):
        current_sum += arr[i]
        left_sum = max(left_sum, current_sum)

    # right of mid
    right_sum = float('inf')
    current_sum = 0
    for i in range(mid + 1, right + 1):
        current_sum += arr[i]
        right_sum = max(right_sum, current_sum)

    # sum of elements on the left and right of mid, which is the maximum sum that crosses the midpoint
    return left_sum + right_sum

def max_subarray_divide_and_conquer(arr, left, right):
    # base case: only one element
    if left == right:
        return arr[left]

    # find the midpoint
    mid = (left + right) // 2

    # recursively find the maximum subarray sum for the left and right halves
    left_sum = max_subarray_divide_and_conquer(arr, left, mid)
    right_sum = max_subarray_divide_and_conquer(arr, mid + 1, right)
    cross_sum = max_crossing_sum(arr, left, mid, right)

    # return the maximum of the three possible cases
    return max(left_sum, right_sum, cross_sum)

def max_subarray(arr):
    return max_subarray_divide_and_conquer(arr, 0, len(arr) - 1)


print(max_subarray([-2, -3, 4, -1, -2, 1, 5, -3]), "== 7")


登录后复制

这将时间复杂度降低到 O(nlogn) 时间,因为首先将数组分为两半 (O(logn)),然后找到最大交叉子数组需要 O(n)

Kadane 算法:优雅的 O(n) 解决方案

统计学家 Jay Kadane 查看代码后立即发现 Shamos 的解决方案未能使用邻接约束作为解决方案的一部分。

这就是他意识到的

-如果数组只有负数,那么答案将始终是数组中最大的数字,假设我们不允许空子数组。

-如果数组只有正数,答案始终是将整个数组相加。

-如果你有一个同时包含正数和负数的数组,那么你可以逐步遍历该数组。如果在任何时候您正在查看的数字大于其之前的所有数字的总和,则解决方案不能包含任何先前的数字。因此,您可以从当前数字开始计算新的总和,同时跟踪迄今为止遇到的最大总和。


maxSubArray(nums):
    # avoiding type errors or index out of bounds errors
    if nums is None or len(nums) == 0:
        return 0


    max_sum = nums[0]  # max sum can't be smaller than any given element
    curr_sum = 0

    # Kadane's algorithm
    for num in nums:
        curr_sum = max(num, curr_sum + num)
        max_sum = max(curr_sum, max_sum)
    return max_sum


登录后复制

我喜欢这个算法的原因是它可以应用于许多其他问题。尝试调整它来解决这些 LeetCode 问题:

一和零
圆形子数组的最大和
最小子数组总和
最大升序子数组和
最大乘积子数组
连续子数组和
最大交替和子数组(高级)
矩形的最大和不大于 K

以上是最大子数组问题和kadane算法的详细内容。更多信息请关注PHP中文网其他相关文章!

来源:dev.to
本站声明
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系admin@php.cn
热门教程
更多>
最新下载
更多>
网站特效
网站源码
网站素材
前端模板