标签：... int 股票 交易 123 prices III LeetCode dp
题目来源
题目详情
给定一个数组，它的第 i 个元素是一支给定的股票在第 i 天的价格。
设计一个算法来计算你所能获取的最大利润。你最多可以完成 两笔交易。
注意： 你不能同时参与多笔交易（你必须在再次购买前出售掉之前的股票）。
示例 1:
输入： prices = [3,3,5,0,0,3,1,4]
输出： 6
解释： 在第 4 天（股票价格 = 0）的时候买入，在第 6 天（股票价格 = 3）的时候卖出，这笔交易所能获得利润 = 3-0 = 3 。
随后，在第 7 天（股票价格 = 1）的时候买入，在第 8 天 （股票价格 = 4）的时候卖出，这笔交易所能获得利润 = 4-1 = 3 。
示例 2：
输入： prices = [1,2,3,4,5]
输出： 4
解释： 在第 1 天（股票价格 = 1）的时候买入，在第 5 天 （股票价格 = 5）的时候卖出, 这笔交易所能获得利润 = 5-1 = 4 。
注意你不能在第 1 天和第 2 天接连购买股票，之后再将它们卖出。
因为这样属于同时参与了多笔交易，你必须在再次购买前出售掉之前的股票。
示例 3：
输入： prices = [7,6,4,3,1]
输出： 0
解释： 在这个情况下, 没有交易完成, 所以最大利润为 0。
示例 4：
输入： prices = [1]
输出： 0
提示：
1 <= prices.length <= 1050 <= prices[i] <= 105
相似题目
题解分析
动态规划
-
本题属于LeetCode【股票问题】的系列题之一。其实这种题目有一个通用的解题模板。详情参考：一个方法团灭 LEETCODE 股票买卖问题。
-
我们定义的动态方程如下：dp[i][k][0 or 1]；0 <= i <= n - 1, 1 <= k <= K；n 为天数，K 为交易数(每次交易指的是买入和卖出两个操作在一起则算一次交易)的上限，0 和 1 代表是否持有股票。而我们想求的最终答案是 dp[n - 1][K][0]，即最后一天，最多允许 K 次交易，最多获得多少利润。读者可能问为什么不是 dp[n - 1][K][1]？因为 dp[n - 1][K][1] 代表到最后一天手上还持有股票，dp[n - 1][K][0] 表示最后一天手上的股票已经卖出去了，很显然后者得到的利润一定大于前者。
-
股票系列问题的动态转移方程如下：
dp[i][k][0] = max(dp[i-1][k][0], dp[i-1][k][1] + prices[i]) max( 今天选择保持前一天的状态, 今天选择出售股票 ) dp[i][k][1] = max(dp[i-1][k][1], dp[i-1][k-1][0] - prices[i]) max( 今天选择保持前一天的状态, 今天选择购入股票 )这里着重提醒一下，时刻牢记「状态」的定义，k 的定义并不是「已进行的交易次数」，而是「最大交易次数的上限限制」。如果确定今天进行一次交易，且要保证截至今天最大交易次数上限为 k，那么昨天的最大交易次数上限必须是 k - 1。
修正：以前我以为在 sell 的时候给 k 减小 1 和在 buy 的时候给 k 减小 1 是等效的，但细心的读者向我提出质疑，经过深入思考我发现前者确实是错误的，因为交易是从 buy 开始，如果 buy 的选择不改变交易次数 k 的约束，会出现交易次数超出限制的的错误。 -
股票系列问题的边界处理如下：
dp[-1][...][0] = dp[...][0][0] = 0 dp[-1][...][1] = dp[...][0][1] = -infinity
dp[-1][...][0] = 0
解释：因为 i 是从 0 开始的，所以 i = -1 意味着还没有开始，这时候的利润当然是 0。dp[-1][...][1] = -infinity
解释：还没开始的时候，是不可能持有股票的。
因为我们的算法要求一个最大值，所以初始值设为一个最小值，方便取最大值。dp[...][0][0] = 0
解释：因为 k 是从 1 开始的，所以 k = 0 意味着根本不允许交易，这时候利润当然是 0。dp[...][0][1] = -infinity
解释：不允许交易的情况下，是不可能持有股票的。dp[-1][...][0] = 0
解释：因为 i 是从 0 开始的，所以 i = -1 意味着还没有开始，这时候的利润当然是 0。dp[-1][...][1] = -infinity
解释：还没开始的时候，是不可能持有股票的。
因为我们的算法要求一个最大值，所以初始值设为一个最小值，方便取最大值。dp[...][0][0] = 0
解释：因为 k 是从 1 开始的，所以 k = 0 意味着根本不允许交易，这时候利润当然是 0。dp[...][0][1] = -infinity
解释：不允许交易的情况下，是不可能持有股票的。
因为我们的算法要求一个最大值，所以初始值设为一个最小值，方便取最大值。因为我们的算法要求一个最大值，所以初始值设为一个最小值，方便取最大值。
- 本题的动态转移方程如下：
原始的状态转移方程，没有可化简的地方 dp[i][k][0] = max(dp[i-1][k][0], dp[i-1][k][1] + prices[i]) dp[i][k][1] = max(dp[i-1][k][1], dp[i-1][k-1][0] - prices[i])
class Solution {
public int maxProfit(int[] prices) {
int n = prices.length, K=2;
int[][][] dp = new int[n+1][K+1][2];
int mins = Integer.MIN_VALUE;
for(int k=0; k<=K; k++){
dp[0][k][0] = 0;
dp[0][k][1] = mins;
}
for(int i=0; i<=n; i++){
dp[i][0][0] = 0;
dp[i][0][1] = mins;
}
for(int i=1; i<=n; i++){
for(int k=1; k<=K; k++){
dp[i][k][0] = Math.max(dp[i-1][k][0], dp[i-1][k][1] + prices[i-1]);
dp[i][k][1] = Math.max(dp[i-1][k][1], dp[i-1][k-1][0] - prices[i-1]);
}
}
return dp[n][K][0];
}
}
解法二：动态规划-压缩数组
class Solution {
public int maxProfit(int[] prices) {
int n = prices.length, K=2;
int mins = Integer.MIN_VALUE;
int dp_2_0 = 0, dp_2_1 = mins, dp_1_0 = 0, dp_1_1 = mins;
for(int i=1; i<=n; i++){
dp_1_0 = Math.max(dp_1_0, dp_1_1 + prices[i-1]);
dp_1_1 = Math.max(dp_1_1, - prices[i-1]);
dp_2_0 = Math.max(dp_2_0, dp_2_1 + prices[i-1]);
dp_2_1 = Math.max(dp_2_1, dp_1_0 - prices[i-1]);
}
return dp_2_0;
}
}
参考
标签：...,int,股票,交易,123,prices,III,LeetCode,dp 来源： https://www.cnblogs.com/GarrettWale/p/15894209.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。