LeetCode 121：买卖股票的最佳时机（贪心算法） —— 题解

最新推荐文章于 2026-08-19 23:01:13 发布

原创最新推荐文章于 2026-08-19 23:01:13 发布 · 412 阅读

10 ·

本内容遵循CC 4.0 BY-SA版权协议

GEO检测

收录于

贪心算法

👋 欢迎阅读

🎯 欢迎来到「买卖股票的最佳时机」题解之旅！ 本文将带你从“寻找最佳买入卖出时机”这一投资场景出发，深入理解贪心 + 一次遍历的简洁解法.

在开始之前，建议你先：

了解题目背景：这是 LeetCode 121 题，给定股票每日价格数组 prices，你只能买卖一次（先买后卖），求能获得的最大利润。本质上是找出一对 (买入日, 卖出日)，使得卖出价与买入价的差值最大，且买入日在卖出日之前。
明确学习目标：掌握如何用贪心法维护「历史最低价格」和「当前最大利润」，理解为什么只需一趟遍历即可得到最优解，并熟练处理价格下跌无利润（返回 0）的边界情况。
准备好环境：建议在本地 IDE 或 LeetCode 在线编辑器中打开代码，边看边运行，亲手验证示例（如 prices = [7,1,5,3,6,4] 输出 5）。

本文将从问题转化、贪心策略设计、双变量模拟到代码实现，层层递进。即使你对贪心算法还不熟悉，我们也会从“每天更新最低买入价，并计算当天卖出的利润”这一直觉出发，让你轻松抓住核心思想——最低点买入，最高点卖出（但卖出要在买入之后）。现在，让我们一起在股票价格的起伏中抓住最佳交易时机吧！ 📈💰

一、题目

121. 买卖股票的最佳时机 - 力扣（LeetCode）

二、做题思路

1. 问题分析（前置分析）

只能在 某一天买入，并在 未来的某一天卖出，求最大利润。核心是：对于每个卖出日，买入价应当是 之前所有天中的最低价格，这样当天的利润才最大。因此只需在遍历过程中维护历史最低价，并不断计算当前价格与历史最低价的差值，取最大值即可。

2. 贪心策略（核心决策规则）

初始化：minPrice = prices[0]（第一天价格作为初始最低价），maxProfit = 0。
从第二天开始遍历：
- 计算 当天利润 = prices[i] - minPrice，更新 maxProfit = max(maxProfit, 当天利润)。
- 更新 历史最低价 minPrice = min(minPrice, prices[i])，供后续天数使用。
遍历结束后，maxProfit 即为最大利润。

3. 正确性说明（简单版本）

对于每一天 i，若要在这一天卖出，那么最优的买入日必然是之前价格最低的那一天，这样利润最大。因此，只需在遍历中不断更新历史最低价，并计算当天卖出能获得的最大利润，就能覆盖所有可能的卖出时机。

4. 实现细节（边界防护）

数组长度至少为 1，初始化 minPrice 为 prices[0]。
从 i=1 开始遍历，先更新 maxProfit，再更新 minPrice（顺序可互换，但先计算利润再更新最低价不影响结果）。
若价格一直下跌，maxProfit 保持为 0，符合题意（允许不交易）。

5. 返回值（目标映射）

返回 maxProfit，即能够获得的最大利润。

四、代码

class Solution 
{
public:
    int maxProfit(vector<int>& prices) 
    {
        // 贪心策略：在每一天，假设当天卖出股票，那么买入价应为之前所有天中的最低价，
        // 这样当天的利润 = 当天价格 - 历史最低价，取所有天利润的最大值即为答案。
    // 初始化：历史最低价为第一天的价格，最大利润初始为0（因为允许不交易）
    int minPrice = prices[0];   // 截止当前日期之前的最低买入价
    int maxProfit = 0;          // 当前能获得的最大利润
// 从第二天开始遍历（第一天无法卖出，利润为0）
for (int i = 1; i &amp;lt; prices.size(); i++) 
{
    // 计算如果今天卖出能获得的利润，并更新最大利润
    maxProfit = max(maxProfit, prices[i] - minPrice);
// 更新历史最低价（为后续天数的卖出做准备）
minPrice = min(minPrice, prices[i]);
}
// 返回最大利润
return maxProfit;
}
};

五、流程图

六、正确性说明（详细版）

步骤 1：符号与问题建模

+----------------------------------------------------+
|  输入价格数组 prices，长度 n                       |
|  交易规则：只能买卖一次，卖出日在买入日之后        |
|  目标：最大化卖出价 - 买入价（若为负则取 0）       |
+----------------------------------------------------+
                    |
                    v
+----------------------------------------------------+
|  贪心策略：遍历每一天，假设当天卖出股票，          |
|  买入价应为截止前一天为止的**历史最低价**。        |
|  更新最大利润 = max(最大利润, 当天价格 - 历史最低价) |
|  然后更新历史最低价 = min(历史最低价, 当天价格)。   |
|  贪心实质：每天选择之前最低价买入，是当天能获得的  |
|  最大利润，且该决策不会影响未来，因为买入价越低越好。|
+----------------------------------------------------+

设 minPrice 为截至当前日期（不包括当天）之前出现的最低价格。
设 maxProfit 为已遍历的天数中能获得的最大利润。
对每一天 i，若当天卖出，则最大可能利润为 prices[i] - minPrice，取所有天数的最大值即为答案。
贪心选择性质：在任意一天卖出时，最优买入价必然是之前所有价格中的最小值，因为利润 = 卖出价 - 买入价，卖出价固定时，买入价越小利润越大。因此每天维护历史最低价是合理的。

步骤 2：关键性质 —— 最优解必包含某一天的历史最低价买入（反证法）

+----------------------------------------------------+
|  性质 1：对任意一天 i，若当天卖出，则最优买入价   |
|  必须是 min{prices[0..i-1]}。                      |
|  反证：若买入价不是最低，则用更低价格替换买入价，  |
|  利润会严格增大，且仍满足买入日早于卖出日，矛盾。  |
+----------------------------------------------------+
                     |
                     v
+----------------------------------------------------+
|  性质 2：全局最优利润等于 max_{i} (prices[i] -     |
|  min_{j < i} prices[j])。                          |
|  因为最优交易必然在某一天卖出，而对应的最优买入价  |
|  就是该天之前的最小值。                            |
+----------------------------------------------------+
                     |
                     v
+----------------------------------------------------+
|  性质 3：贪心算法在扫描过程中逐步计算了所有 i      |
|  对应的上述表达式，并取最大值，因此不会遗漏任何    |
|  潜在的更优交易。                                  |
+----------------------------------------------------+

详细论证（结合反证法）：

反证：假设在某个最优解中，卖出日为 i，但买入价不是 prices[0..i-1] 中的最小值，设最小值出现在 j（j < i）且 prices[j] < 当前买入价。用 prices[j] 替换原买入价，由于卖出价不变，新利润 = prices[i] - prices[j] > prices[i] - 原买入价，且 j < i，满足交易条件，故原解不是最优，矛盾。因此，对于任意固定的卖出日，最优买入价一定是之前的最小值。
因此，全局最大利润必然等于所有卖出日对应的“当天价格 - 当日之前最低价”的最大值。贪心算法在遍历过程中，恰好通过 minPrice 维护了每个位置之前的最小值，并计算了每个位置的候选利润，再取最大值。所以，贪心算法的结果与最优解定义完全一致，不会遗漏任何可能。

步骤 3：归纳证明 —— 扫描过程逐步得到正确答案

+----------------------------------------------------+
|  初始化：minPrice = prices[0]，maxProfit = 0。     |
|  假设已经处理完前 k 个元素（索引 0..k-1），        |
|  minPrice 为前 k 个元素的最小值，                  |
|  maxProfit 为前 k 个元素中能够获得的最大利润。      |
+----------------------------------------------------+
                     |
                     v
+----------------------------------------------------+
|  处理第 k 个元素（索引 k）：                       |
|  ① 计算如果今天卖出，利润 = prices[k] - minPrice； |
|  ② 更新 maxProfit = max(maxProfit, 利润)；        |
|  ③ 更新 minPrice = min(minPrice, prices[k])。     |
|  更新后，minPrice 为前 k+1 个元素的最小值，        |
|  maxProfit 为前 k+1 个元素的最大利润，             |
|  归纳假设保持。                                    |
+----------------------------------------------------+
                     |
                     v
+----------------------------------------------------+
|  遍历结束后，maxProfit 即为所有天数的最大利润。    |
|  因为每一步都正确维护了前 i 个元素的最优值，       |
|  最终结果与步骤 2 中的公式一致。                   |
+----------------------------------------------------+

详细论证：

归纳基础：在遍历前，minPrice = prices[0]，maxProfit = 0。若数组长度为1，不能交易，返回0，正确。
归纳步骤：假设已经处理完前 i 个元素（0..i-1），minPrice 是它们的最小值，maxProfit 是前 i 个元素内的最大利润（允许不交易）。现在考虑第 i 个元素（prices[i]）：
- 如果今天卖出，最大利润为 prices[i] - minPrice，因为 minPrice 是之前的最小买入价，由步骤2可知这是当天的最优卖出利润。
- 更新 maxProfit 为原先最大值与今天候选值中的较大者，则 maxProfit 变为前 i+1 个元素的最大利润。
- 更新 minPrice 为 min(minPrice, prices[i])，则 minPrice 变为前 i+1 个元素的最小值。
由于归纳假设成立，遍历结束后，maxProfit 即整个数组的最大利润。若所有价格递减，则 maxProfit 始终为0，正确。

🎯 闭幕

动态规划学习路径图

🎉 恭喜你完成了「买卖股票的最佳时机」问题的学习！

为了巩固知识并进一步拓展，建议你：

🚀 动手实践
在 LeetCode 上提交代码，尝试不同的测试用例。

💡 深入思考

本题采用 贪心策略：遍历每一天，假设当天卖出，则之前的最低买入价就是最优买入价。为什么记录“历史最低价”就能保证当前卖出的利润最大？ 如果买入价不是历史最低，利润会更大还是更小？
代码中 maxProfit 初始化为 0，即使价格一直下跌，最后也会返回 0（表示不交易）。如果题目要求必须进行一次交易（买入和卖出），初始化应该怎么改？
遍历从 i=1 开始，第一天只更新 minPrice 而不计算利润。如果数组长度为 1，代码能正确返回 0 吗？
如果股票价格可能为负数（虽然题目保证非负），贪心策略是否仍然有效？为什么？