动态规划实战：股票买卖问题的最优解策略 | OpenJudge NOI 2.6 8464

1. 动态规划与股票买卖问题入门

第一次接触股票买卖问题时，我盯着题目愣了半天——这不就是找最低点买入、最高点卖出吗？但仔细看OpenJudge NOI 2.6 8464这道题的要求，发现事情没那么简单：要在同一支股票上完成两次完整交易（买入-卖出-买入-卖出），且两次交易不能重叠。这就像在游乐场玩过山车，要想办法在两次起伏中抓到最大收益。

举个实际例子：假设股票价格序列是[3,5,1,4,6]。如果第一次在3买入5卖出，第二次在1买入6卖出，总利润是(5-3)+(6-1)=7。但如果第一次在1买入6卖出，第二次交易就无法进行，反而总利润只有5。这就是动态规划的用武之地——它帮我们系统化地考虑所有可能的交易组合。

动态规划解这类问题的核心在于状态定义。我们需要明确记录当前处于第几次交易、是否持有股票等关键信息。就像玩俄罗斯方块时要同时考虑当前方块和下一个方块的位置关系，股票问题也需要同时跟踪多个状态维度。

2. 状态设计与转移方程剖析

2.1 关键状态定义

解决这个问题需要设计三维状态：

• dp[i][k][0/1] 表示第i天、已完成k次交易（0≤k≤2）、当前未持有/持有股票(0/1)时的最大利润

具体来说：

• dp[i][1][0] 表示第i天完成1次交易后不持股
• dp[i][1][1] 表示第i天完成1次交易后仍持股
• dp[i][2][0] 表示第i天完成2次交易（最终状态）

这种设计就像给每个交易阶段打了标签，让我们能清晰区分第一次和第二次交易的收益。

2.2 状态转移方程推导

状态转移需要考虑四种基本操作：

1. 保持不动：延续前一天的持股状态
2. 买入操作：消耗一次交易机会，现金减少
3. 卖出操作：完成一次交易，现金增加
4. 交易次数限制：最多完成两次完整交易

用数学表达式表示：

# 初始化
dp[0][0][0] = 0          # 第0天未开始交易
dp[0][0][1] = -prices[0] # 第0天买入
dp[0][1][0] = -inf       # 不可能状态
dp[0]