本文最后更新于 366 天前,其中的信息可能已经有所发展或是发生改变。
题目描述:
给你一个整数数组 prices
和一个整数 k
,其中 prices[i]
是某支给定的股票在第 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 k
笔交易。也就是说,你最多可以买 k
次,卖 k
次。
**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:k = 2, prices = [2,4,1]
输出:2
解释:在第 1 天 (股票价格 = 2) 的时候买入,在第 2 天 (股票价格 = 4) 的时候卖出,这笔交易所能获得利润 = 4-2 = 2 。
示例 2:
输入:k = 2, prices = [3,2,6,5,0,3]
输出:7
解释:在第 2 天 (股票价格 = 2) 的时候买入,在第 3 天 (股票价格 = 6) 的时候卖出, 这笔交易所能获得利润 = 6-2 = 4 。
随后,在第 5 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 。
提示:
1 <= k <= 100
1 <= prices.length <= 1000
0 <= prices[i] <= 1000
解法一:动态规划
算法思路:
定义数组dp[i][j][k]
表示第 i
天,最多交易 j
次,且当前持有股票的状态为 k
时,所能获得的最大利润,其中 k = 0
时表示不持有股票,k = 1
时表示持有股票。
当 i = 0
时,股票价格为 prices[0]
,那么对于任意的一次交易 j
,都有 dp[0][j][1] = -prices[0]
,表示第 0
天买入股票,此时利润为 -prices[0]
。
当 i > 0
时,有以下两种情况:
- 第
i
天不持有股票,可能是第i - 1
天不持有股票且在第i
天不进行任何操作,或者在第i - 1
天持有股票且在第i
天卖出,因此dp[i][j][0] = max(dp[i-1][j][0], dp[i-1][j][1] + prices[i])
。 - 第
i
天持有股票,可能是第i - 1
天持有股票且在第i
天不进行任何操作,或者在第i - 1
天不持有股票且在第i
天买入,因此dp[i][j][1] = max(dp[i-1][j][1], dp[i-1][j][0] - prices[i])
。
综上得到状态转移方程: $$ dp[i][j][0] = max(dp[i-1][j][0], dp[i-1][j][1] + prices[i]) $$
$$ dp[i][j][1] = max(dp[i-1][j][1], dp[i-1][j][0] – prices[i]) $$
答案即为 dp[n-1][k][0]
。
代码实现:
class Solution {
public int maxProfit(int k, int[] prices) {
int n = prices.length;
int[][][] dp = new int[n][k+1][2];
for(int i = 1; i <= k; i++){
dp[0][i][1] = -prices[0];
}
for(int i = 1; i < n; i++){
for(int j = 1; j <= k; j++){
dp[i][j][0] = Math.max(dp[i-1][j][1] + prices[i], dp[i-1][j][0]);
dp[i][j][1] = Math.max(dp[i-1][j-1][0] - prices[i], dp[i-1][j][1]);
}
}
return dp[n-1][k][0];
}
}
由于状态 dp[i][]
只和dp[i-1][]
有关,因此可以优化掉第一维的数组空间,优化空间复杂度:
class Solution {
public int maxProfit(int k, int[] prices) {
int n = prices.length;
int[][] dp = new int[k+1][2];
for(int i = 1; i <= k; i++){
dp[i][1] = -prices[0];
}
for(int i = 1; i < n; i++){
for(int j = 1; j <= k; j++){
dp[j][0] = Math.max(dp[j][1] + prices[i], dp[j][0]);
dp[j][1] = Math.max(dp[j-1][0] - prices[i], dp[j][1]);
}
}
return dp[k][0];
}
}
复杂度分析:
时间复杂度: O(n * k),其中 n 为数组 prices 的长度,k 为交易次数。
空间复杂度: O(k),其中 k 为交易次数。