背景
本篇圖文是LSGO軟件技術團隊組織的 第二期基礎算法(Leetcode)刻意練習訓練營 的打卡任務。本期訓練營採用分類別練習的模式,即選擇了五個知識點(數組、鏈表、字符串、樹、貪心算法),每個知識點選擇了 三個簡單、兩個中等、一個困難 等級的題目,共計三十道題,利用三十天的時間完成這組刻意練習。
本次任務的知識點:貪心算法
貪心算法(greedy algorithm),又稱貪婪算法,是一種在每一步選擇中都採取在當前狀態下最好或最優(即最有利)的選擇,從而希望導致結果是最好或最優的算法。
貪心算法在有最優子結構的問題中尤爲有效。最優子結構的意思是局部最優解能決定全局最優解。簡單地說,問題能夠分解成子問題來解決,子問題的最優解能遞推到最終問題的最優解。
貪心算法與動態規劃的不同在於它對每個子問題的解決方案都做出選擇,不能回退。動態規劃則會保存以前的運算結果,並根據以前的結果對當前進行選擇,有回退功能。
題目
- 題號:122
- 難度:簡單
- https://leetcode-cn.com/problems/best-time-to-buy-and-sell-stock-ii/
給定一個數組,它的第 i 個元素是一支給定股票第 i 天的價格。
設計一個算法來計算你所能獲取的最大利潤。你可以儘可能地完成更多的交易(多次買賣一支股票)。
注意:你不能同時參與多筆交易(你必須在再次購買前出售掉之前的股票)。
示例 1:
輸入: [7,1,5,3,6,4]
輸出: 7
解釋:
在第 2 天(股票價格 = 1)的時候買入,在第 3 天(股票價格 = 5)的時候賣出, 這筆交易所能獲得利潤 = 5-1 = 4 。
隨後,在第 4 天(股票價格 = 3)的時候買入,在第 5 天(股票價格 = 6)的時候賣出, 這筆交易所能獲得利潤 = 6-3 = 3 。
示例 2:
輸入: [1,2,3,4,5]
輸出: 4
解釋:
在第 1 天(股票價格 = 1)的時候買入,在第 5 天 (股票價格 = 5)的時候賣出, 這筆交易所能獲得利潤 = 5-1 = 4 。
注意你不能在第 1 天和第 2 天接連購買股票,之後再將它們賣出。
因爲這樣屬於同時參與了多筆交易,你必須在再次購買前出售掉之前的股票。
示例 3:
輸入: [7,6,4,3,1]
輸出: 0
解釋: 在這種情況下, 沒有交易完成, 所以最大利潤爲 0。
實現
第一種:貪心算法
貪心策略:只要後一天價格比前一天高,就在前一天買進後一天賣出。
- 狀態:通過
- 201 / 201 個通過測試用例
- 執行用時: 140 ms, 在所有 C# 提交中擊敗了 72.02% 的用戶
- 內存消耗: 24.2 MB, 在所有 C# 提交中擊敗了 5.36% 的用戶
public class Solution
{
public int MaxProfit(int[] prices)
{
int earn = 0;
for (int i = 0; i < prices.Length-1; i++)
{
if (prices[i] < prices[i + 1])
{
earn += prices[i + 1] - prices[i];
}
}
return earn;
}
}
Python 語言
- 執行結果:通過
- 執行用時:40 ms, 在所有 Python3 提交中擊敗了 92.58% 的用戶
- 內存消耗:14.7 MB, 在所有 Python3 提交中擊敗了 9.98% 的用戶
class Solution:
def maxProfit(self, prices: List[int]) -> int:
earn = 0
for i in range(0, len(prices) - 1):
if prices[i] < prices[i + 1]:
earn += prices[i + 1] - prices[i]
return earn
往期活動
LSGO軟件技術團隊會定期開展提升編程技能的刻意練習活動,希望大家能夠參與進來一起刻意練習,一起學習進步!
- Python基礎刻意練習活動即將開啓,你參加嗎?
- Task01:變量、運算符與數據類型
- Task02:條件與循環
- Task03:列表與元組
- Task04:字符串與序列
- Task05:函數與Lambda表達式
- Task06:字典與集合
- Task07:文件與文件系統
- Task08:異常處理
- Task09:else 與 with 語句
- Task10:類與對象
- Task11:魔法方法
- Task12:模塊
我是 終身學習者“老馬”,一個長期踐行“結伴式學習”理念的 中年大叔。
我崇尚分享,渴望成長,於2010年創立了“LSGO軟件技術團隊”,並加入了國內著名的開源組織“Datawhale”,也是“Dre@mtech”、“智能機器人研究中心”和“大數據與哲學社會科學實驗室”的一員。
願我們一起學習,一起進步,相互陪伴,共同成長。
後臺回覆「搜搜搜」,隨機獲取電子資源!
歡迎關注,請掃描二維碼: