带你读《图解算法小抄》二十一、动态规划(10)

简介: 带你读《图解算法小抄》二十一、动态规划(10)

带你读《图解算法小抄》二十一、动态规划(9)https://developer.aliyun.com/article/1347954?groupCode=tech_library


16.买卖股票的最佳时机 III

1)题目描述

给定一个数组 prices,它的第 i 个元素 prices[i] 表示一支给定股票第 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:**你不能同时进行多笔交易(即,你必须在再次购买之前出售掉之前的股票)。

2)解题步骤

为了计算买卖股票的最佳时机 III,我们可以使用动态规划的思想来解决问题。

 

  • 定义状态:我们可以将问题转化为对于每个交易日的状态,即持有股票和未持有股票。令 dp[i][j][k] 表示第 i 天,已完成 j 笔交易,并且处于状态 k(0 表示未持有股票,1 表示持有股票)时的最大利润。
  • 初始状态:对于第一天,我们有以下初始状态:dp[0][0][0] = 0,第一天未持有股票时的最大利润为 0。
  • dp[0][1][0] = 0,第一天完成了一笔交易,但未持有股票时的最大利润为 0。
  • dp[0][0][1] = -prices[0],第一天持有股票时的最大利润为买入价格的相反数。
  • dp[0][1][1] = -prices[0],第一天完成了一笔交易且持有股票时的最大利润为买入价格的相反数。

 

  • 状态转移方程:对于第 i 天,我们可以进行以下操作:如果第 i 天未持有股票且未完成任何交易(k = 0, j = 0),那么最大利润为前一天未持有股票且未完成任何交易的最大利润 dp[i-1][0][0]
  • 如果第 i 天未持有股票但已完成一笔交易(k = 0, j = 1),那么最大利润为前一天未持有股票但已完成一笔交易的最大利润 dp[i-1][1][0] 加上在第 i 天卖出股票所得到的利润 prices[i]
  • 如果第 i 天持有股票且未完成任何交易(k = 1, j = 0),那么最大利润为前一天持有股票且未完成任何交易的最大利润 dp[i-1][0][1]
  • 如果第 i 天持有股票且已完成一笔交易(k = 1, j = 1),那么最大利润为前一天持有股票且已完成一笔交易的最大利润 dp[i-1][1][1] 加上在第 i 天卖出股票所得到的利润 prices[i]

 

  • 综上所述,我们可以得到状态转移方程为:
  • dp[i][0][0] = dp[i-1][0][0]
  • dp[i][1][0] = max(dp[i-1][1][0], dp[i-1][0][0] - prices[i])
  • dp[i][0][1] = max(dp[i-1][0][1], dp[i-1][1][0] + prices[i])
  • dp[i][1][1] = max(dp[i-1][1][1], dp[i-1][0][1] - prices[i])

 

  • 最终解:问题的解即为最后一天未持有股票且已完成两笔交易时的最大利润,即 dp[n-1][1][0],其中 n 是交易日的总数。

下面是使用动态规划解决买卖股票的最佳时机 III 问题的算法框架:

 

function maxProfit(prices) {
  const n = prices.length;  if (n < 2) {
    return 0;
  }  const dp = new Array(n).fill(0).map(() =>
    new Array(2).fill(0).map(() => new Array(3).fill(0))
  );  dp[0][0][0] = 0;
  dp[0][1][0] = 0;
  dp[0][0][1] = -prices[0];
  dp[0][1][1] = -prices[0];  for (let i = 1; i < n; i++) {
    dp[i][0][0] = dp[i - 1][0][0];
    dp[i][1][0] = Math.max(dp[i - 1][1][0], dp[i - 1][0][0] - prices[i]);
    dp[i][0][1] = Math.max(dp[i - 1][0][1], dp[i - 1][1][0] + prices[i]);
    dp[i][1][1] = Math.max(dp[i - 1][1][1], dp[i - 1][0][1] - prices[i]);
  }  return dp[n - 1][1][0];
}


带你读《图解算法小抄》二十一、动态规划(11)https://developer.aliyun.com/article/1347952?groupCode=tech_library

相关文章
|
1月前
|
机器学习/深度学习 存储 算法
动态规划算法深度解析:0-1背包问题
0-1背包问题是经典的组合优化问题,目标是在给定物品重量和价值及背包容量限制下,选取物品使得总价值最大化且每个物品仅能被选一次。该问题通常采用动态规划方法解决,通过构建二维状态表dp[i][j]记录前i个物品在容量j时的最大价值,利用状态转移方程避免重复计算子问题,从而高效求解最优解。
293 1
|
8月前
|
存储 算法 Java
算法系列之动态规划
动态规划(Dynamic Programming,简称DP)是一种用于解决复杂问题的算法设计技术。它通过将问题分解为更小的子问题,并存储这些子问题的解来避免重复计算,从而提高算法的效率。
298 4
算法系列之动态规划
|
9月前
|
算法 Java C++
【潜意识Java】蓝桥杯算法有关的动态规划求解背包问题
本文介绍了经典的0/1背包问题及其动态规划解法。
236 5
|
8月前
|
算法 安全 调度
【动态规划篇】穿越算法迷雾:约瑟夫环问题的奇幻密码
【动态规划篇】穿越算法迷雾:约瑟夫环问题的奇幻密码
|
8月前
|
机器学习/深度学习 算法 测试技术
【动态规划篇】01 背包的逆袭:如何用算法装满你的 “财富背包”
【动态规划篇】01 背包的逆袭:如何用算法装满你的 “财富背包”
|
算法
动态规划算法学习三:0-1背包问题
这篇文章是关于0-1背包问题的动态规划算法详解,包括问题描述、解决步骤、最优子结构性质、状态表示和递推方程、算法设计与分析、计算最优值、算法实现以及对算法缺点的思考。
533 2
动态规划算法学习三:0-1背包问题
|
11月前
|
算法 Python
在Python编程中,分治法、贪心算法和动态规划是三种重要的算法。分治法通过将大问题分解为小问题,递归解决后合并结果
在Python编程中,分治法、贪心算法和动态规划是三种重要的算法。分治法通过将大问题分解为小问题,递归解决后合并结果;贪心算法在每一步选择局部最优解,追求全局最优;动态规划通过保存子问题的解,避免重复计算,确保全局最优。这三种算法各具特色,适用于不同类型的问题,合理选择能显著提升编程效率。
222 2
|
算法
动态规划算法学习四:最大上升子序列问题(LIS:Longest Increasing Subsequence)
这篇文章介绍了动态规划算法中解决最大上升子序列问题(LIS)的方法,包括问题的描述、动态规划的步骤、状态表示、递推方程、计算最优值以及优化方法,如非动态规划的二分法。
225 0
动态规划算法学习四:最大上升子序列问题(LIS:Longest Increasing Subsequence)
|
算法
动态规划算法学习二:最长公共子序列
这篇文章介绍了如何使用动态规划算法解决最长公共子序列(LCS)问题,包括问题描述、最优子结构性质、状态表示、状态递归方程、计算最优值的方法,以及具体的代码实现。
451 0
动态规划算法学习二:最长公共子序列
|
存储 算法
动态规划算法学习一:DP的重要知识点、矩阵连乘算法
这篇文章是关于动态规划算法中矩阵连乘问题的详解,包括问题描述、最优子结构、重叠子问题、递归方法、备忘录方法和动态规划算法设计的步骤。
874 0

热门文章

最新文章