LeetCode 题目:
这 6 道题目是有共性的,我们就抽出来第 4 道题目,因为这道题是一个最泛化的形式,其他的问题都是这个形式的简化,看下题目
一. 穷举思路
在这里,我们不用递归思想进行穷举,而是利用「状态」进行穷举。我们具体到每一天,看看总共有几种可能的「状态」,再找出每个「状态」对应的「选择」。我们要穷举所有「状态」,穷举的目的是根据对应的「选择」更新状态。听起来抽象,你只要记住「状态」和「选择」两个词就行,下面实操一下就很容易明白了。
1 | for 状态1 in 状态1的所有取值: |
比如说这个问题,每天都有三种「选择」:买入、卖出、无操作,我们用 buy, sell, rest 表示这三种选择。但问题是,并不是每天都可以任意选择这三种选择的,因为 sell 必须在 buy 之后,buy 必须在 sell 之后。那么 rest 操作还应该分两种状态,一种是 buy 之后的 rest(持有了股票),一种是 sell 之后的 rest(没有持有股票)。而且别忘了,我们还有交易次数 k 的限制,就是说你 buy 还只能在 k > 0 的前提下操作。
很复杂对吧,不要怕,我们现在的目的只是穷举,你有再多的状态,老夫要做的就是一把梭全部列举出来。这个问题的「状态」有三个,第一个是天数,第二个是允许交易的最大次数,第三个是当前的持有状态(我们不妨用 1 表示持有,0 表示没有持有)。然后我们用一个三维数组就可以装下这几种状态的全部组合:
1 | dp[i][k][0 or 1] |
而且我们可以用自然语言描述出每一个状态的含义,比如说 dp[3][2][1]
的含义就是:今天是第三天,我现在手上持有着股票,至今最多进行 2 次交易。再比如 dp[2][3][0]
的含义:今天是第二天,我现在手上没有持有股票,至今最多进行 3 次交易。很容易理解,对吧?
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 [1]
代表手上还持有股票,[0]
表示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。
二. 状态转移框架
现在,我们完成了「状态」的穷举,我们开始思考每种「状态」有哪些「选择」,应该如何更新「状态」。只看「持有状态」,可以画个状态转移图。
通过这个图可以很清楚地看到,每种状态(0 和 1)是如何转移而来的。根据这个图,我们来写一下状态转移方程:
1 | dp[i][k][0] = max(dp[i-1][k][0], dp[i-1][k][1] + prices[i]) |
这个解释应该很清楚了,如果 buy,就要从利润中减去 prices[i],如果 sell,就要给利润增加 prices[i]。今天的最大利润就是这两种可能选择中较大的那个。而且注意 k 的限制,我们在选择 buy 的时候,把 k 减小了 1,很好理解吧,当然你也可以在 sell 的时候减 1,一样的。
Note: k 并不是指我们还剩下多少次交易机会, 而是指我们已经进行了多少次交易.
现在,我们已经完成了动态规划中最困难的一步:状态转移方程。如果之前的内容你都可以理解,那么你已经可以秒杀所有问题了,只要套这个框架就行了。不过还差最后一点点,就是定义 base case,即最简单的情况。
1 | dp[-1][k][0] = 0 |
把上面的状态转移方程总结一下:
1 | base case: |
三. 秒杀题目
题目一: k=1
Link: 买卖股票的最佳时机(简单)
直接套状态转移方程,根据 base case,可以做一些化简:
1
2
3
4
5
6
7
8
9
10状态转移方程
dp[i][1][0] = max(dp[i-1][1][0], dp[i-1][1][1] + prices[i])
dp[i][1][1] = max(dp[i-1][1][1], dp[i-1][0][0] - prices[i])
= max(dp[i-1][1][1], -prices[i])
解释:k = 0 的 base case,所以 dp[i-1][0][0] = 0。
现在发现 k 都是 1,不会改变,即 k 对状态转移已经没有影响了。
可以进行进一步化简去掉所有 k:
dp[i][0] = max(dp[i-1][0], dp[i-1][1] + prices[i])
dp[i][1] = max(dp[i-1][1], -prices[i])进而我们可以写出代码:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19class Solution(object):
def maxProfit(self, prices):
"""
:type prices: List[int]
:rtype: int
"""
if len(prices) == 0:
return 0
dp = [[0 for j in range(2)] for i in range(len(prices))]
dp[0][0] = 0
dp[0][1] = -prices[0]
for i in range(1,len(prices)):
dp[i][0] = max(dp[i-1][0], dp[i-1][1] + prices[i])
dp[i][1] = max(dp[i-1][1], -prices[i])
return dp[len(prices)-1][0]第一题就解决了,但是这样处理 base case 很麻烦,而且注意一下状态转移方程,新状态只和相邻的一个状态有关,其实不用整个 dp 数组,只需要一个变量储存相邻的那个状态就足够了,这样可以把空间复杂度降到 O(1):
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17class Solution(object):
def maxProfit(self, prices):
"""
:type prices: List[int]
:rtype: int
"""
if len(prices) == 0:
return 0
dp_i_0 = 0
dp_i_1 = -prices[0]
for i in range(1, len(prices)):
dp_i_0 = max(dp_i_0, dp_i_1 + prices[i])
dp_i_1 = max(dp_i_1, -prices[i])
return dp_i_0题目二 k = infinity
Link: 买卖股票的最佳时机 II(简单)
如果 k 为正无穷, 那么就可以认为 k 和 k-1 是一样的, 可以这样改写框架:
1
2
3
4
5
6
7
8状态转移方程:
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])
= max(dp[i-1][k][1], dp[i-1][k][0] - prices[i])
我们发现数组中的 k 已经不会改变了, 也就说不需要记录 k 这个状态了.
dp[i][0] = max(dp[i-1][0], dp[i-1][1] + prices[i])
dp[i][1] = max(dp[i-1][1], dp[i-1][0]-prices[i])因此解题代码如下:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17class Solution(object):
def maxProfit(self, prices):
"""
:type prices: List[int]
:rtype: int
"""
if len(prices) == 0:
return 0
dp_i_0 = 0
dp_i_1 = -prices[0]
for i in range(1,len(prices)):
dp_i_0 = max(dp_i_0, dp_i_1+prices[i])
dp_i_1 = max(dp_i_1, dp_i_0-prices[i])
return dp_i_0题目三: k=2
Link: 买卖股票的最佳时机 III(困难)
k = 2 和前面题目的情况稍微不同,因为上面的情况都和 k 的关系不太大。要么 k 是正无穷,状态转移和 k 没关系了;要么 k = 1,跟 k = 0 这个 base case 挨得近,最后也没有存在感。
这道题 k = 2 和后面要讲的 k 是任意正整数的情况中,对 k 的处理就凸显出来了。我们直接写代码,边写边分析原因。
1
2
3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])注意, 由于这里的 k 不可消除, 我们需要对其进行穷举! 代码如下:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24class Solution(object):
def maxProfit(self, prices):
"""
:type prices: List[int]
:rtype: int
"""
K = 2
if len(prices) == 0:
return 0
dp = [[[0 for j in range(2)] for k in range(K+1)] for i in range(len(prices))]
for i in range(len(prices)):
for k in range(1,K+1):
if i == 0:
dp[i][k][0] = 0
dp[i][k][1] = -prices[i]
continue
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])
return dp[len(prices)-1][K][0]题目四 k = any integer
Link: 买卖股票的最佳时机 IV(困难)
有了上一题 k = 2 的铺垫,这题应该和上一题的第一个解法没啥区别。但是出现了一个超内存的错误,原来是传入的 k 值会非常大,dp 数组太大了。现在想想,交易次数 k 最多有多大呢?
一次交易由买入和卖出构成,至少需要两天。所以说有效的限制 k 应该不超过 n/2,如果超过,就没有约束作用了,相当于 k = +infinity。这种情况是之前解决过的。
因此我们的代码如下:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36class Solution(object):
def maxProfit(self, k, prices):
"""
:type k: int
:type prices: List[int]
:rtype: int
"""
def maxProfit_inf(prices):
dp_i_0 = 0
dp_i_1 = -prices[0]
for i in range(1,len(prices)):
dp_i_0 = max(dp_i_0, dp_i_1+prices[i])
dp_i_1 = max(dp_i_1, dp_i_0-prices[i])
return dp_i_0
if len(prices) == 0 or k == 0:
return 0
if k >= len(prices)/2:
return maxProfit_inf(prices)
dp = [[[0 for j in range(2)] for m in range(k+1)] for i in range(len(prices))]
for i in range(len(prices)):
for m in range(1,k+1):
if i == 0:
dp[i][m][0] = 0
dp[i][m][1] = -prices[i]
continue
dp[i][m][0] = max(dp[i-1][m][0], dp[i-1][m][1] + prices[i])
dp[i][m][1] = max(dp[i-1][m][1], dp[i-1][m-1][0] - prices[i])
return dp[len(prices)-1][k][0]题目五 k = inf with cooldown
Link: 最佳买卖股票时机含冷冻期(中等)
还是跟之前一样, 如果 k = inf 那么 k-1 和 k 就没有差别. 但是因为我们加入了冷却期, 所以这个时候我们的状态转移的 i 的关系就变了.
1
2
3状态转移方程:
dp[i][0] = max(dp[i-1][0], dp[i-1][1]+prices[i])
dp[i][1] = max(dp[i-1][1], dp[i-2][0]-prices[i])那么我们的代码如下:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24class Solution(object):
def maxProfit(self, prices):
"""
:type prices: List[int]
:rtype: int
"""
if len(prices) == 0:
return 0
dp = [[0, 0] for i in range(len(prices))]
for i in range(len(prices)):
if i == 0:
dp[i][0] = 0
dp[i][1] = -prices[i]
continue
elif i == 1:
dp[i][0] = max(0, dp[0][1]+prices[i])
dp[i][1] = max(dp[i-1][1], -prices[i])
dp[i][0] = max(dp[i-1][0], dp[i-1][1]+prices[i])
dp[i][1] = max(dp[i-1][1], dp[i-2][0]-prices[i])
return dp[len(prices)-1][0]题目六 k = inf with fee
Link: 买卖股票的最佳时机含手续费(中等)
我们现在需要付手续费, 那么我的状态转移方程又会发生改变.
1
2dp[i][0] = max(dp[i-1][0], dp[i-1][1] + prices[i] - fee)
dp[i][1] = max(dp[i-1][1], dp[i-1][0] - prices[i])那么我们代码如下:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20class Solution(object):
def maxProfit(self, prices, fee):
"""
:type prices: List[int]
:type fee: int
:rtype: int
"""
if len(prices) == 0:
return 0
dp = [[0, 0] for i in range(len(prices))]
for i in range(len(prices)):
if i == 0:
dp[i][1] = -prices[i]
continue
dp[i][0] = max(dp[i-1][0], dp[i-1][1] + prices[i] - fee)
dp[i][1] = max(dp[i-1][1], dp[i-1][0] - prices[i])
return dp[len(prices)-1][0]