数据结构与算法分析:最大子序列和问题之算法优化

算法一：穷举式地尝试所有的可能

int maxSubsequenceSum(const int a[], int n){    int i, j, k;    int thisSum, maxSum = 0;    for (i = 0; i < n; i++)        for (j = i; j < n; j++)        {            thisSum = 0;            for (k = i; k < j; k++)                thisSum += a[k];            if (thisSum > maxSum)                maxSum = thisSum;        }    return maxSum; }

算法复杂度为O(n^3)（三重for循环）

算法二：算法一的改进

int maxSubsequenceSum(const int a[], int n){    int i, j;    int thisSum, maxSum = 0;    for (i = 0; i < n; i++)    {        thisSum = 0;        for (j = i; j < n; j++)        {            thisSum += a[j];            if (thisSum > maxSum)                maxSum = thisSum;        }    }    return maxSum; }

该算法去除了算法一中不必要的计算，时间复杂度为O(n^2)（两重for循环）。

算法三：分治（divide-and-conquer）策略

分治策略：

分：把问题分成若干个（通常是两个）规模相当的子问题，然后递归地对它们求解。

治：将若干个问题的解4合并到一起并可能再做少量的附加工作，最后得到整个问题的解。

在这个问题中，最大子序列和可能在三处出现：即左半部序列、右半部序列、穿过中部从而占据左右两半部分的序列。前两种情况可以通过递归求解。而递归的基准情况（base cases）是序列只有一个元素（left == right），若该元素大于0，则返回该元素，否则返回0。第三种情况的最大和可以通过分别求出左边部分（包含左半部分最后一个）的最大和以及右边部分（包含右边部分的第一个）的最大和，再将它们相加得到。

int maxSubsequenceSum(const int a[], int left, int right)

{

int i, mid, maxLeftSum, maxRightSum;

int maxLeftBorderSum, leftBorderSum;

int maxRightBorderSum, rightBorderSum;

if (left == right) {            /*基准情况*/

if (a[left] >= 0)

return a[left];

else

return 0;

}

mid = left + (right - left) / 2;

maxLeftSum = maxSubsequenceSum(a, left, mid);       /*左半部分的最大和*/    maxRightSum = maxSubsequenceSum(a, mid+1, right);   /*右半部分的最大和*/

/*下面求穿过中点的最大和*/

maxLeftBorderSum = 0, leftBorderSum = 0;

for (i = mid; i >= left; i--)

/*中点及其以左的最大和*/

{

leftBorderSum += a[i];

if (leftBorderSum > maxLeftBorderSum)

maxLeftBorderSum = leftBorderSum;

}

maxRightBorderSum = 0, rightBorderSum = 0;

for (i = mid+1; i <= right; i++)   /*中点以右的最大和*/ 

{

rightBorderSum += a[i];

if (rightBorderSum > maxRightBorderSum)

maxRightBorderSum = rightBorderSum;

}

/*返回三部分中的最大值*/

return max3(maxLeftSum, maxRightSum, maxLeftBorderSum+maxRightBorderSum); 

} 

int max3(int a, int b, int c) 

{

int maxNum  = a;

if (b > maxNum) 

maxNum = b;

if (c > maxNum)

maxNum = c;

return maxNum;

}

以序列2，4，-1，-5，4，-1为例，其左半部分最大和为2 + 4 = 6；右半部分最大和为4，穿过中心的最大和为（-1 + 4 + 2）+ （-5 + 4）= 0。故该序列的最大子序列和为max（6，4，0）= 6。时间复杂度分析: 假设T(n)为求解大小为n的最大子序列和问题所花费的时间。当n = 1是，T(1) = O(1)；当n > 1时，两次递归花费的总时间为2T(n/2),两个并列的for循环花费的时间是O(len(left)+len(right)) = O(n)，一共为2T(n/2)+O(n)。综上可列如下方程组：

T(1) = 1T(n) = 2T(n/2) + O(n)

事实上，上述方程组常常通用于分治算法，由方程组可算出T(n) = O(nlogn)。

算法四：

算法三利用递归较好的解决了最大子序列和问题，但仔细分析，在递归过程中，同一个元素很可能多次被操作，有没有更高效的算法？先上代码

int maxSubsequenceSum(const int a[], int n){    int i;    int maxSum, thisSum;    maxSum = thisSum = 0;    for (i = 0; i < n; i++)    {        thisSum += a[i];        if (thisSum > maxSum)            maxSum = thisSum;        else if (thisSum < 0)            thisSum = 0;    }    return maxSum; }

可以简单的分析出上述代码的时间复杂度是O(n),比前三种都高效。它为什么是正确的？从直观上理解：首先for循环的if语句保证了每次更新后最大和保存在maxSum中，而我们从i = 0开始扫描，假设扫描到i = t(t < n)，且此时的最大和已经保存在maxSum中，而当前的和（thisSum）如果大于0，不管当i > t的元素大小如何，加上thisSum总会使之后的和变大，而如果thisSum小于0，肯定会使之后的和变小，既然还会变小，那干脆就重新来过（thisSum = 0），有些另起炉灶的意味。

该算法一个附带的优点是，它只对数据进行一次的扫描，一旦a[i]被读入并被处理，它就不再需要记忆。因此，如果数组在磁盘或磁带上，它就可以被顺序读入，在主存中不必储存数组的任何部分。不仅如此，在任意时刻，该算法都能对它已经读入的数据给出子序列问题的正确答案（其他算法即前三种不具有这个特性）。具有这种特性的算法叫做联机算法（online algorithm）。仅需要常量空间并以线性时间运行的online algorithm几乎是完美的算法。————《数据结构与算法分析》（中文版第二版）