Leetcode题解系列——53. Maximum Subarray（c++版）

本文链接：https://blog.csdn.net/dickdick111/article/details/83990767

本文介绍了一种使用动态规划解决最大子数组和问题的方法，通过状态转移方程优化了时间复杂度至O(n)，并提供了详细的算法实现代码。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

题目链接：53. Maximum Subarray

题目大意：给出一段整数数组，找出其中一段总和最大的连续子段，输出最大值。

注意点：

子序列要求连续，不能中断
判断给出数列长度为0的情况
动态规划的起点，求解过程

一.算法设计

这是一道经典的动态规划问题，当然它可以通过数组遍历的方式来暴力求解，其时间复杂度为O( $n^2$ )，这显然不是我想要讨论的内容

这里利用动态规划的方式来求解
dp[i]表示以 $a [i]$ 结尾的最大子段和
所求的最大值为max(dp[i]), 0 < i < n;

以下是状态转移方程：

dp[i] = 0, 数组长度为0时
dp[i] = dp[i-1] + a[i], 数组长度大于0且dp[i-1]大于等于0
dp[i] = a[i], 数组长度大于0且dp[i-1]小于0

其时间复杂度为O(n)

二.算法实现

这里要注意初始化dp数组，将nums数组的第一个值先赋值给dp[0].
与此同时，将最大值先初始化为dp[0].

class Solution {
public:
    int maxSubArray(vector<int>& nums) {
        int len = nums.size();
        if(len == 0) return 0;
        vector<int> dp(len);
        dp[0] = nums[0];
        int max_num = dp[0];
        for(int i = 1; i < len; i++){
            if(dp[i-1] >= 0) dp[i] = dp[i-1] + nums[i];
            else dp[i] = nums[i];
            
            max_num = max(max_num, dp[i]);
        }
        return max_num;
    }
};