LeetCode - 解题笔记 - 53 - Maximum Subarray

最新推荐文章于 2026-04-01 15:14:05 发布

原创最新推荐文章于 2026-04-01 15:14:05 发布 · 386 阅读

0 ·

本内容遵循CC 4.0 BY-SA版权协议

标签

#动态规划 #leetcode

收录于

LeetCode解题笔记专栏收录该内容

191 篇文章

订阅专栏

博客围绕LeetCode最大子数组问题展开，介绍了三种解法。解法1采用动态规划，状态方程为ans[i]=max(ans[i−1]+nums[i],nums[i])，时间复杂度O(n)，空间复杂度O(1)；解法2涉及线段树计算，作者待学习；解法3是解法1的Python实现。

Maximum Subarray

Solution 1

动态规划（我反正一眼看出来是动态规划了）。这道题的状态方程不同于传统的当前考察元素要或者不要的问题，由于对数列连续的限制，状态方程调整为过去的结果要或者不要的问题。因此状态方程为：
$a n s [i] = m a x (a n s [i - 1] + n u m s [i], n u m s [i])$
剩下的就是实现了，注意负数的情况。

时间复杂度： $O (n)$ ，其中 $n$ 为输入序列的长度
空间复杂度： $O (1)$ ，优化成了只需要维护常数个状态量

class Solution {
public:
    int maxSubArray(vector<int>& nums) {
        int ans = -1e6, prev = 0;
        for (int i = 0; i < nums.size(); ++i) {
            prev = max(prev + nums[i], nums[i]);
            ans = max(ans, prev);
        }
        
        return ans;
    }
};

Solution 2

这部分涉及到线段树的计算，我还不会，等到学习到了再转回来吧。

Solution 3

Solution 1的Python实现

class Solution:
    def maxSubArray(self, nums: List[int]) -> int:
        ans = -1e6
        prev = 0
        for num in nums:
            prev = max(prev + num, num)
            ans = max(ans, prev)
            
        return ans