ある日の株価を表すn整数の配列が与えられたとします。ペア(buyDay、sellDay)を見つけたいbuyDay≤sellDayで、buyDayで株式を購入して販売した場合sellDayで、利益を最大化します。
O(n2)可能なすべての(buyDay、sellDay)ペアを試し、それらすべてからベストを取り出すことによるアルゴリズムの解決策。しかし、より良いアルゴリズム、おそらくO(n) timeで実行されるアルゴリズムはありますか?
この問題が大好きです。それは古典的なインタビューの質問であり、あなたがそれについてどう考えるかによって、あなたはより良い解決策を得ることになります。 O(nよりも良い方法でこれを行うことは確かに可能です2)時間、そして私はあなたがここで問題について考えることができる3つの異なる方法をリストしました。これがあなたの質問に答えることを願っています!
まず、分割統治ソリューション。入力を半分に分割し、各サブ配列の問題を解決してから、2つを結合することでこれを解決できるかどうかを見てみましょう。実際にこれを行うことができ、効率的に行うことができます!直感は次のとおりです。 1日しかない場合は、その日に購入してから、その日に売り戻して利益なしにするのが最善の選択肢です。それ以外の場合は、配列を2つに分割します。最適な答えが何であるかを考える場合、次の3つの場所のいずれかになければなりません。
(1)と(2)の値を取得するには、前半と後半でアルゴリズムを再帰的に呼び出します。オプション(3)の場合、最高の利益を得る方法は、前半で最低ポイントで買い、後半で最高ポイントで売ることです。入力に対して単純な線形スキャンを実行し、2つの値を見つけるだけで、2つの半分の最小値と最大値を見つけることができます。これにより、次の繰り返しのアルゴリズムが得られます。
T(1) <= O(1)
T(n) <= 2T(n / 2) + O(n)
マスター定理 を使用して再発を解決すると、これはO(n lg n)時間で実行され、再帰呼び出しにO(lg n)空間を使用することがわかります。素朴なO(n2) 解決!
ちょっと待って!これよりもはるかに良いことができます。繰り返しにO(n)という用語がある唯一の理由は、各半分の最小値と最大値を見つけようとして入力全体をスキャンする必要があることです。すでに各半分を再帰的に探索しているので、おそらく各半分に格納されている最小値と最大値も再帰的に返させることで、より良い結果を得ることができます!つまり、再帰は次の3つのことを返します。
これらの最後の2つの値は、再帰的な計算を使用して再帰的に計算できます(1)。
このアプローチを使用すると、再帰関係は次のようになります。
T(1) <= O(1)
T(n) <= 2T(n / 2) + O(1)
ここでマスター定理を使用すると、O(lg n)空間でO(n)のランタイムが得られます。これは、元のソリューションよりも優れています。
しかし、ちょっと待ってください-これよりもっと良いことができます!動的プログラミングを使用してこの問題を解決することを考えてみましょう。問題は次のように考えます。最初のk個の要素を見た後、問題に対する答えがわかったと仮定します。最初の(k + 1)要素の問題を解決するために、最初の解と組み合わせて(k + 1)番目の要素の知識を使用できますか?もしそうなら、最初の要素の問題を解決し、最初の2要素、最初の3要素などを最初のn要素について計算するまで解決することで、素晴らしいアルゴリズムを得ることができます。
これを行う方法について考えてみましょう。要素が1つだけの場合は、それが最良の売買ペアである必要があることをすでに知っています。ここで、最初のk個の要素のベストアンサーがわかっているとし、(k + 1)番目の要素を見てみましょう。次に、この値が最初のk要素に対して得られたものよりも良い解を作成できる唯一の方法は、最初のk要素の最小とその新しい要素との差がこれまで計算した最大の差よりも大きい場合です。したがって、要素間を移動するときに、これまでに見た最小値と最初のk要素だけで得られる最大の利益という2つの値を追跡するとします。最初は、これまで見てきた最小値が最初の要素であり、最大利益はゼロです。新しい要素が見つかったら、まず、これまでに見られた最低価格で購入し、現在の価格で販売することで、いくらになるかを計算して最適な利益を更新します。これがこれまでに計算した最適値よりも優れている場合は、最適なソリューションをこの新しい利益に更新します。次に、これまでに見た最小要素を、現在の最小要素と新しい要素の最小になるように更新します。
各ステップでO(1)の作業のみを行い、n個の要素のそれぞれに1回だけアクセスするため、完了するにはO(n)時間かかります。さらに、O(1)補助ストレージのみを使用します。これは私たちがこれまでに得たものと同じくらい良いです!
例として、入力で、このアルゴリズムの実行方法を次に示します。配列の各値の間の数字は、その時点でアルゴリズムによって保持されている値に対応しています。これらすべてを実際に保存するわけではありません(O(n)のメモリが必要です!)が、アルゴリズムが進化するのを見ると役立ちます。
5 10 4 6 7
min 5 5 4 4 4
best (5,5) (5,10) (5,10) (5,10) (5,10)
回答:(5、10)
5 10 4 6 12
min 5 5 4 4 4
best (5,5) (5,10) (5,10) (5,10) (4,12)
回答:(4、12)
1 2 3 4 5
min 1 1 1 1 1
best (1,1) (1,2) (1,3) (1,4) (1,5)
回答:(1、5)
今より良くできますか?残念ながら、漸近的な意味ではありません。 O(n)未満の時間を使用すると、大きな入力のすべての数値を見ることができず、最適な答えを見逃さないことを保証できません(「非表示」 「私たちが見なかった要素の中にある)。さらに、O(1)未満のスペースは使用できません。 big-O表記に隠された定数因子にいくつかの最適化があるかもしれませんが、そうでなければ根本的に良いオプションを見つけることは期待できません。
全体的に、これは次のアルゴリズムがあることを意味します。
お役に立てれば!
EDIT:興味があるなら、コーディングしましたa Pythonこれら4つのアルゴリズムのバージョン。これらのアルゴリズムをいじって、相対的なパフォーマンスを判断できます。コードは次のとおりです。
# Four different algorithms for solving the maximum single-sell profit problem,
# each of which have different time and space complexity. This is one of my
# all-time favorite algorithms questions, since there are so many different
# answers that you can arrive at by thinking about the problem in slightly
# different ways.
#
# The maximum single-sell profit problem is defined as follows. You are given
# an array of stock prices representing the value of some stock over time.
# Assuming that you are allowed to buy the stock exactly once and sell the
# stock exactly once, what is the maximum profit you can make? For example,
# given the prices
#
# 2, 7, 1, 8, 2, 8, 4, 5, 9, 0, 4, 5
#
# The maximum profit you can make is 8, by buying when the stock price is 1 and
# selling when the stock price is 9. Note that while the greatest difference
# in the array is 9 (by subtracting 9 - 0), we cannot actually make a profit of
# 9 here because the stock price of 0 comes after the stock price of 9 (though
# if we wanted to lose a lot of money, buying high and selling low would be a
# great idea!)
#
# In the event that there's no profit to be made at all, we can always buy and
# sell on the same date. For example, given these prices (which might
# represent a buggy-whip manufacturer:)
#
# 9, 8, 7, 6, 5, 4, 3, 2, 1, 0
#
# The best profit we can make is 0 by buying and selling on the same day.
#
# Let's begin by writing the simplest and easiest algorithm we know of that
# can solve this problem - brute force. We will just consider all O(n^2) pairs
# of values, and then pick the one with the highest net profit. There are
# exactly n + (n - 1) + (n - 2) + ... + 1 = n(n + 1)/2 different pairs to pick
# from, so this algorithm will grow quadratically in the worst-case. However,
# it uses only O(1) memory, which is a somewhat attractive feature. Plus, if
# our first intuition for the problem gives a quadratic solution, we can be
# satisfied that if we don't come up with anything else, we can always have a
# polynomial-time solution.
def BruteForceSingleSellProfit(arr):
# Store the best possible profit we can make; initially this is 0.
bestProfit = 0;
# Iterate across all pairs and find the best out of all of them. As a
# minor optimization, we don't consider any pair consisting of a single
# element twice, since we already know that we get profit 0 from this.
for i in range(0, len(arr)):
for j in range (i + 1, len(arr)):
bestProfit = max(bestProfit, arr[j] - arr[i])
return bestProfit
# This solution is extremely inelegant, and it seems like there just *has* to
# be a better solution. In fact, there are many better solutions, and we'll
# see three of them.
#
# The first insight comes if we try to solve this problem by using a divide-
# and-conquer strategy. Let's consider what happens if we split the array into
# two (roughly equal) halves. If we do so, then there are three possible
# options about where the best buy and sell times are:
#
# 1. We should buy and sell purely in the left half of the array.
# 2. We should buy and sell purely in the right half of the array.
# 3. We should buy in the left half of the array and sell in the right half of
# the array.
#
# (Note that we don't need to consider selling in the left half of the array
# and buying in the right half of the array, since the buy time must always
# come before the sell time)
#
# If we want to solve this problem recursively, then we can get values for (1)
# and (2) by recursively invoking the algorithm on the left and right
# subarrays. But what about (3)? Well, if we want to maximize our profit, we
# should be buying at the lowest possible cost in the left half of the array
# and selling at the highest possible cost in the right half of the array.
# This gives a very elegant algorithm for solving this problem:
#
# If the array has size 0 or size 1, the maximum profit is 0.
# Otherwise:
# Split the array in half.
# Compute the maximum single-sell profit in the left array, call it L.
# Compute the maximum single-sell profit in the right array, call it R.
# Find the minimum of the first half of the array, call it Min
# Find the maximum of the second half of the array, call it Max
# Return the maximum of L, R, and Max - Min.
#
# Let's consider the time and space complexity of this algorithm. Our base
# case takes O(1) time, and in our recursive step we make two recursive calls,
# one on each half of the array, and then does O(n) work to scan the array
# elements to find the minimum and maximum values. This gives the recurrence
#
# T(1) = O(1)
# T(n / 2) = 2T(n / 2) + O(n)
#
# Using the Master Theorem, this recurrence solves to O(n log n), which is
# asymptotically faster than our original approach! However, we do pay a
# (slight) cost in memory usage. Because we need to maintain space for all of
# the stack frames we use. Since on each recursive call we cut the array size
# in half, the maximum number of recursive calls we can make is O(log n), so
# this algorithm uses O(n log n) time and O(log n) memory.
def DivideAndConquerSingleSellProfit(arr):
# Base case: If the array has zero or one elements in it, the maximum
# profit is 0.
if len(arr) <= 1:
return 0;
# Cut the array into two roughly equal pieces.
left = arr[ : len(arr) / 2]
right = arr[len(arr) / 2 : ]
# Find the values for buying and selling purely in the left or purely in
# the right.
leftBest = DivideAndConquerSingleSellProfit(left)
rightBest = DivideAndConquerSingleSellProfit(right)
# Compute the best profit for buying in the left and selling in the right.
crossBest = max(right) - min(left)
# Return the best of the three
return max(leftBest, rightBest, crossBest)
# While the above algorithm for computing the maximum single-sell profit is
# better timewise than what we started with (O(n log n) versus O(n^2)), we can
# still improve the time performance. In particular, recall our recurrence
# relation:
#
# T(1) = O(1)
# T(n) = 2T(n / 2) + O(n)
#
# Here, the O(n) term in the T(n) case comes from the work being done to find
# the maximum and minimum values in the right and left halves of the array,
# respectively. If we could find these values faster than what we're doing
# right now, we could potentially decrease the function's runtime.
#
# The key observation here is that we can compute the minimum and maximum
# values of an array using a divide-and-conquer approach. Specifically:
#
# If the array has just one element, it is the minimum and maximum value.
# Otherwise:
# Split the array in half.
# Find the minimum and maximum values from the left and right halves.
# Return the minimum and maximum of these two values.
#
# Notice that our base case does only O(1) work, and our recursive case manages
# to do only O(1) work in addition to the recursive calls. This gives us the
# recurrence relation
#
# T(1) = O(1)
# T(n) = 2T(n / 2) + O(1)
#
# Using the Master Theorem, this solves to O(n).
#
# How can we make use of this result? Well, in our current divide-and-conquer
# solution, we split the array in half anyway to find the maximum profit we
# could make in the left and right subarrays. Could we have those recursive
# calls also hand back the maximum and minimum values of the respective arrays?
# If so, we could rewrite our solution as follows:
#
# If the array has size 1, the maximum profit is zero and the maximum and
# minimum values are the single array element.
# Otherwise:
# Split the array in half.
# Compute the maximum single-sell profit in the left array, call it L.
# Compute the maximum single-sell profit in the right array, call it R.
# Let Min be the minimum value in the left array, which we got from our
# first recursive call.
# Let Max be the maximum value in the right array, which we got from our
# second recursive call.
# Return the maximum of L, R, and Max - Min for the maximum single-sell
# profit, and the appropriate maximum and minimum values found from
# the recursive calls.
#
# The correctness proof for this algorithm works just as it did before, but now
# we never actually do a scan of the array at each step. In fact, we do only
# O(1) work at each level. This gives a new recurrence
#
# T(1) = O(1)
# T(n) = 2T(n / 2) + O(1)
#
# Which solves to O(n). We're now using O(n) time and O(log n) memory, which
# is asymptotically faster than before!
#
# The code for this is given below:
def OptimizedDivideAndConquerSingleSellProfit(arr):
# If the array is empty, the maximum profit is zero.
if len(arr) == 0:
return 0
# This recursive helper function implements the above recurrence. It
# returns a triple of (max profit, min array value, max array value). For
# efficiency reasons, we always reuse the array and specify the bounds as
# [lhs, rhs]
def Recursion(arr, lhs, rhs):
# If the array has just one element, we return that the profit is zero
# but the minimum and maximum values are just that array value.
if lhs == rhs:
return (0, arr[lhs], arr[rhs])
# Recursively compute the values for the first and latter half of the
# array. To do this, we need to split the array in half. The line
# below accomplishes this in a way that, if ported to other languages,
# cannot result in an integer overflow.
mid = lhs + (rhs - lhs) / 2
# Perform the recursion.
( leftProfit, leftMin, leftMax) = Recursion(arr, lhs, mid)
(rightProfit, rightMin, rightMax) = Recursion(arr, mid + 1, rhs)
# Our result is the maximum possible profit, the minimum of the two
# minima we've found (since the minimum of these two values gives the
# minimum of the overall array), and the maximum of the two maxima.
maxProfit = max(leftProfit, rightProfit, rightMax - leftMin)
return (maxProfit, min(leftMin, rightMin), max(leftMax, rightMax))
# Using our recursive helper function, compute the resulting value.
profit, _, _ = Recursion(arr, 0, len(arr) - 1)
return profit
# At this point we've traded our O(n^2)-time, O(1)-space solution for an O(n)-
# time, O(log n) space solution. But can we do better than this?
#
# To find a better algorithm, we'll need to switch our line of reasoning.
# Rather than using divide-and-conquer, let's see what happens if we use
# dynamic programming. In particular, let's think about the following problem.
# If we knew the maximum single-sell profit that we could get in just the first
# k array elements, could we use this information to determine what the
# maximum single-sell profit would be in the first k + 1 array elements? If we
# could do this, we could use the following algorithm:
#
# Find the maximum single-sell profit to be made in the first 1 elements.
# For i = 2 to n:
# Compute the maximum single-sell profit using the first i elements.
#
# How might we do this? One intuition is as follows. Suppose that we know the
# maximum single-sell profit of the first k elements. If we look at k + 1
# elements, then either the maximum profit we could make by buying and selling
# within the first k elements (in which case nothing changes), or we're
# supposed to sell at the (k + 1)st price. If we wanted to sell at this price
# for a maximum profit, then we would want to do so by buying at the lowest of
# the first k + 1 prices, then selling at the (k + 1)st price.
#
# To accomplish this, suppose that we keep track of the minimum value in the
# first k elements, along with the maximum profit we could make in the first
# k elements. Upon seeing the (k + 1)st element, we update what the current
# minimum value is, then update what the maximum profit we can make is by
# seeing whether the difference between the (k + 1)st element and the new
# minimum value is. Note that it doesn't matter what order we do this in; if
# the (k + 1)st element is the smallest element so far, there's no possible way
# that we could increase our profit by selling at that point.
#
# To finish up this algorithm, we should note that given just the first price,
# the maximum possible profit is 0.
#
# This gives the following simple and elegant algorithm for the maximum single-
# sell profit problem:
#
# Let profit = 0.
# Let min = arr[0]
# For k = 1 to length(arr):
# If arr[k] < min, set min = arr[k]
# If profit < arr[k] - min, set profit = arr[k] - min
#
# This is short, sweet, and uses only O(n) time and O(1) memory. The beauty of
# this solution is that we are quite naturally led there by thinking about how
# to update our answer to the problem in response to seeing some new element.
# In fact, we could consider implementing this algorithm as a streaming
# algorithm, where at each point in time we maintain the maximum possible
# profit and then update our answer every time new data becomes available.
#
# The final version of this algorithm is shown here:
def DynamicProgrammingSingleSellProfit(arr):
# If the array is empty, we cannot make a profit.
if len(arr) == 0:
return 0
# Otherwise, keep track of the best possible profit and the lowest value
# seen so far.
profit = 0
cheapest = arr[0]
# Iterate across the array, updating our answer as we go according to the
# above pseudocode.
for i in range(1, len(arr)):
# Update the minimum value to be the lower of the existing minimum and
# the new minimum.
cheapest = min(cheapest, arr[i])
# Update the maximum profit to be the larger of the old profit and the
# profit made by buying at the lowest value and selling at the current
# price.
profit = max(profit, arr[i] - cheapest)
return profit
# To summarize our algorithms, we have seen
#
# Naive: O(n ^ 2) time, O(1) space
# Divide-and-conquer: O(n log n) time, O(log n) space
# Optimized divide-and-conquer: O(n) time, O(log n) space
# Dynamic programming: O(n) time, O(1) space
これは、多少の間接性を伴う最大合計サブシーケンスの問題です。最大合計サブシーケンス問題には、正または負の整数のリストが与えられ、そのリストの連続サブセットの最大合計を見つけます。
連続した日の間に利益または損失を取ることにより、この問題をその問題に簡単に変換できます。したがって、株価のリストを変換します。 [5, 6, 7, 4, 2]
をゲイン/損失のリストに追加します(例:[1, 1, -3, -2]
)。この場合、部分列の合計の問題は非常に簡単に解決できます。 配列内の要素の合計が最大の部分列を見つける
なぜこれが動的プログラミングの質問と見なされるのか、私にはよくわかりません。 O(n log n)ランタイムとO(log n)をスペース(プログラミングインタビューの要素など)に使用する教科書やアルゴリズムガイドでこの質問を見てきました。それは人々がそれを作ることよりもはるかに簡単な問題のようです。
これは、最大利益、最小購入価格、そして結果として最適な購入/販売価格を追跡することで機能します。配列内の各要素を通過するときに、指定された要素が最低購入価格よりも小さいかどうかを確認します。その場合、最低購入価格インデックス(min
)は、その要素のインデックスに更新されます。さらに、各要素について、becomeABillionaire
アルゴリズムは、arr[i] - arr[min]
(現在の要素と最低購入価格の差)が現在の利益より大きいかどうかをチェックします。そうであれば、利益はその差に更新され、買いはarr[min]
に設定され、売りはarr[i]
に設定されます。
シングルパスで実行されます。
static void becomeABillionaire(int arr[]) {
int i = 0, buy = 0, sell = 0, min = 0, profit = 0;
for (i = 0; i < arr.length; i++) {
if (arr[i] < arr[min])
min = i;
else if (arr[i] - arr[min] > profit) {
buy = min;
sell = i;
profit = arr[i] - arr[min];
}
}
System.out.println("We will buy at : " + arr[buy] + " sell at " + arr[sell] +
" and become billionaires worth " + profit );
}
問題は最大サブシーケンスと同じです
ダイナミックプログラミングを使用して解決しました。現在と過去(利益、購入日、販売日)を追跡する現在が以前よりも高い場合は、以前を現在に置き換えます。
int prices[] = { 38, 37, 35, 31, 20, 24, 35, 21, 24, 21, 23, 20, 23, 25, 27 };
int buyDate = 0, tempbuyDate = 0;
int sellDate = 0, tempsellDate = 0;
int profit = 0, tempProfit =0;
int i ,x = prices.length;
int previousDayPrice = prices[0], currentDayprice=0;
for(i=1 ; i<x; i++ ) {
currentDayprice = prices[i];
if(currentDayprice > previousDayPrice ) { // price went up
tempProfit = tempProfit + currentDayprice - previousDayPrice;
tempsellDate = i;
}
else { // price went down
if(tempProfit>profit) { // check if the current Profit is higher than previous profit....
profit = tempProfit;
sellDate = tempsellDate;
buyDate = tempbuyDate;
}
// re-intialized buy&sell date, profit....
tempsellDate = i;
tempbuyDate = i;
tempProfit =0;
}
previousDayPrice = currentDayprice;
}
// if the profit is highest till the last date....
if(tempProfit>profit) {
System.out.println("buydate " + tempbuyDate + " selldate " + tempsellDate + " profit " + tempProfit );
}
else {
System.out.println("buydate " + buyDate + " selldate " + sellDate + " profit " + profit );
}
ここに私のJavaソリューションがあります:
public static void main(String[] args) {
int A[] = {5,10,4,6,12};
int min = A[0]; // Lets assume first element is minimum
int maxProfit = 0; // 0 profit, if we buy & sell on same day.
int profit = 0;
int minIndex = 0; // Index of buy date
int maxIndex = 0; // Index of sell date
//Run the loop from next element
for (int i = 1; i < A.length; i++) {
//Keep track of minimum buy price & index
if (A[i] < min) {
min = A[i];
minIndex = i;
}
profit = A[i] - min;
//If new profit is more than previous profit, keep it and update the max index
if (profit > maxProfit) {
maxProfit = profit;
maxIndex = i;
}
}
System.out.println("maxProfit is "+maxProfit);
System.out.println("minIndex is "+minIndex);
System.out.println("maxIndex is "+maxIndex);
}
私は簡単な解決策を考え出しました-コードは自明です。これは、動的プログラミングの質問の1つです。
コードはエラーチェックとEdgeのケースを処理しません。問題を解決するための基本的なロジックのアイデアを提供するための単なるサンプルです。
namespace MaxProfitForSharePrice
{
class MaxProfitForSharePrice
{
private static int findMax(int a, int b)
{
return a > b ? a : b;
}
private static void GetMaxProfit(int[] sharePrices)
{
int minSharePrice = sharePrices[0], maxSharePrice = 0, MaxProft = 0;
int shareBuyValue = sharePrices[0], shareSellValue = sharePrices[0];
for (int i = 0; i < sharePrices.Length; i++)
{
if (sharePrices[i] < minSharePrice )
{
minSharePrice = sharePrices[i];
// if we update the min value of share, we need to reset the Max value as
// we can only do this transaction in-sequence. We need to buy first and then only we can sell.
maxSharePrice = 0;
}
else
{
maxSharePrice = sharePrices[i];
}
// We are checking if max and min share value of stock are going to
// give us better profit compare to the previously stored one, then store those share values.
if (MaxProft < (maxSharePrice - minSharePrice))
{
shareBuyValue = minSharePrice;
shareSellValue = maxSharePrice;
}
MaxProft = findMax(MaxProft, maxSharePrice - minSharePrice);
}
Console.WriteLine("Buy stock at ${0} and sell at ${1}, maximum profit can be earned ${2}.", shareBuyValue, shareSellValue, MaxProft);
}
static void Main(string[] args)
{
int[] sampleArray = new int[] { 1, 3, 4, 1, 1, 2, 11 };
GetMaxProfit(sampleArray);
Console.ReadLine();
}
}
}
public static double maxProfit(double [] stockPrices)
{
double initIndex = 0, finalIndex = 0;
double tempProfit = list[1] - list[0];
double maxSum = tempProfit;
double maxEndPoint = tempProfit;
for(int i = 1 ;i<list.length;i++)
{
tempProfit = list[ i ] - list[i - 1];;
if(maxEndPoint < 0)
{
maxEndPoint = tempProfit;
initIndex = i;
}
else
{
maxEndPoint += tempProfit;
}
if(maxSum <= maxEndPoint)
{
maxSum = maxEndPoint ;
finalIndex = i;
}
}
System.out.println(initIndex + " " + finalIndex);
return maxSum;
}
これが私の解決策です。最大サブシーケンスアルゴリズムを変更します。 O(n)の問題を解決します。早くはできないと思います。
最大の単一販売利益、O(n)ソリューション
function stocks_n(price_list){
var maxDif=0, min=price_list[0]
for (var i in price_list){
p = price_list[i];
if (p<min)
min=p
else if (p-min>maxDif)
maxDif=p-min;
}
return maxDif
}
これは、100k intのランダムデータセットでo(N)対o(n ^ 2)アプローチで時間の複雑さをテストするプロジェクトです。 O(n ^ 2)は2秒かかりますが、O(n)は0.01秒かかります
https://github.com/gulakov/complexity.js
function stocks_n2(ps){
for (maxDif=0,i=_i=0;p=ps[i++];i=_i++)
for (;p2=ps[i++];)
if (p2-p>maxDif)
maxDif=p2-p
return maxDif
}
これは、より遅いo(n ^ 2)アプローチであり、毎日の残りの日をループします(二重ループ)。
これは興味深い問題です。seems hardですが、慎重に考えるとエレガントで簡潔なソリューションが得られるからです。
既に述べたように、O(N ^ 2)時間でブルートフォースを解決できます。配列(またはリスト)の各エントリについて、問題が最大の利得または損失を見つけることであるかどうかに応じて、以前のすべてのエントリを繰り返して最小または最大を取得します。
O(N)でのソリューションについて考える方法は次のとおりです。各エントリは、新しい可能な最大(または最小)を表します。次に、前の最小(または最大)を保存し、差分を現在および前の最小(または最大)と比較するだけです。簡単です。
JUnitテストとしてのJavaのコードは次のとおりです。
import org.junit.Test;
public class MaxDiffOverSeriesProblem {
@Test
public void test1() {
int[] testArr = new int[]{100, 80, 70, 65, 95, 120, 150, 75, 95, 100, 110, 120, 90, 80, 85, 90};
System.out.println("maxLoss: " + calculateMaxLossOverSeries(testArr) + ", maxGain: " + calculateMaxGainOverSeries(testArr));
}
private int calculateMaxLossOverSeries(int[] arr) {
int maxLoss = 0;
int idxMax = 0;
for (int i = 0; i < arr.length; i++) {
if (arr[i] > arr[idxMax]) {
idxMax = i;
}
if (arr[idxMax] - arr[i] > maxLoss) {
maxLoss = arr[idxMax] - arr[i];
}
}
return maxLoss;
}
private int calculateMaxGainOverSeries(int[] arr) {
int maxGain = 0;
int idxMin = 0;
for (int i = 0; i < arr.length; i++) {
if (arr[i] < arr[idxMin]) {
idxMin = i;
}
if (arr[i] - arr[idxMin] > maxGain) {
maxGain = arr[i] - arr[idxMin];
}
}
return maxGain;
}
}
最大の損失を計算する場合、現在のエントリまでのリストの最大値(購入価格)を追跡します。次に、最大エントリと現在のエントリの差分を計算します。 max-current> maxLossの場合、この差分を新しいmaxLossのままにします。 maxのインデックスはcurrentのインデックスよりも小さいことが保証されているため、「buy」の日付が「sell」の日付よりも小さいことが保証されています。
最大ゲインを計算する場合、すべてが逆になります。リストの最小値を現在のエントリまで追跡します。最小値と現在のエントリの間の差分を計算します(減算の順序を逆にします)。 current-min> maxGainの場合、この差分を新しいmaxGainのままにします。繰り返しますが、「購入」のインデックス(分)は現在のインデックス(「販売」)の前に来ます。
MaxGain(またはmaxLoss)、およびminまたはmaxのインデックスのみを追跡する必要がありますが、両方ではなく、インデックスを比較して「buy」が「sell」未満であることを検証する必要はありません。これを自然に取得します。
上位投票の回答では、最大利益がマイナスの場合は許可されないため、そのような場合を考慮して修正する必要があります。そのためには、ループの範囲を(len(a)-1)に制限し、インデックスを1シフトすることで利益を決定する方法を変更します。
def singSellProfit(a):
profit = -max(a)
low = a[0]
for i in range(len(a) - 1):
low = min(low, a[i])
profit = max(profit, a[i + 1] - low)
return profit
関数のこのバージョンを配列の以前のものと比較します。
s = [19,11,10,8,5,2]
singSellProfit(s)
-1
DynamicProgrammingSingleSellProfit(s)
0
きちんとしたソリューション:
+ (int)maxProfit:(NSArray *)prices {
int maxProfit = 0;
int bestBuy = 0;
int bestSell = 0;
int currentBestBuy = 0;
for (int i= 1; i < prices.count; i++) {
int todayPrice = [prices[i] intValue];
int bestBuyPrice = [prices[currentBestBuy] intValue];
if (todayPrice < bestBuyPrice) {
currentBestBuy = i;
bestBuyPrice = todayPrice;
}
if (maxProfit < (todayPrice - bestBuyPrice)) {
bestSell = i;
bestBuy = currentBestBuy;
maxProfit = (todayPrice - bestBuyPrice);
}
}
NSLog(@"Buy Day : %d", bestBuy);
NSLog(@"Sell Day : %d", bestSell);
return maxProfit;
}
def get_max_profit(stock):
p=stock[0]
max_profit=0
maxp=p
minp=p
for i in range(1,len(stock)):
p=min(p,stock[i])
profit=stock[i]-p
if profit>max_profit:
maxp=stock[i]
minp=p
max_profit=profit
return minp,maxp,max_profit
stock_prices = [310,315,275,295,260,270,290,230,255,250]
print(get_max_profit(stock_prices))
Python3のこのプログラムは、O(n)の時間複雑度およびO(1)の空間複雑度で計算された、利益を最大化する購入価格と販売価格を返すことができます。
FBソリューションエンジニアポジションのライブコーディング試験でこれに失敗した後、落ち着いた涼しい雰囲気の中で解決しなければならなかったので、ここに私の2セントを示します。
var max_profit = 0;
var stockPrices = [23,40,21,67,1,50,22,38,2,62];
var currentBestBuy = 0;
var currentBestSell = 0;
var min = 0;
for(var i = 0;i < (stockPrices.length - 1) ; i++){
if(( stockPrices[i + 1] - stockPrices[currentBestBuy] > max_profit) ){
max_profit = stockPrices[i + 1] - stockPrices[currentBestBuy];
currentBestSell = i + 1;
}
if(stockPrices[i] < stockPrices[currentBestBuy]){
min = i;
}
if( max_profit < stockPrices[i + 1] - stockPrices[min] ){
max_profit = stockPrices[i + 1] - stockPrices[min];
currentBestSell = i + 1;
currentBestBuy = min;
}
}
console.log(currentBestBuy);
console.log(currentBestSell);
console.log(max_profit);
質問に実際に答える唯一の答えは@akash_magoonの答えです(そして、とても簡単な方法です!)が、質問で指定された正確なオブジェクトを返しません。私は少しリファクタリングし、PHPに答えがあります。
function maximizeProfit(array $dailyPrices)
{
$buyDay = $sellDay = $cheaperDay = $profit = 0;
for ($today = 0; $today < count($dailyPrices); $today++) {
if ($dailyPrices[$today] < $dailyPrices[$cheaperDay]) {
$cheaperDay = $today;
} elseif ($dailyPrices[$today] - $dailyPrices[$cheaperDay] > $profit) {
$buyDay = $cheaperDay;
$sellDay = $today;
$profit = $dailyPrices[$today] - $dailyPrices[$cheaperDay];
}
}
return [$buyDay, $sellDay];
}
static void findmaxprofit(int[] stockvalues){
int buy=0,sell=0,buyingpoint=0,sellingpoint=0,profit=0,currentprofit=0;
int finalbuy=0,finalsell=0;
if(stockvalues.length!=0){
buy=stockvalues[0];
}
for(int i=1;i<stockvalues.length;i++){
if(stockvalues[i]<buy&&i!=stockvalues.length-1){
buy=stockvalues[i];
buyingpoint=i;
}
else if(stockvalues[i]>buy){
sell=stockvalues[i];
sellingpoint=i;
}
currentprofit=sell-buy;
if(profit<currentprofit&&sellingpoint>buyingpoint){
finalbuy=buy;
finalsell=sell;
profit=currentprofit;
}
}
if(profit>0)
System.out.println("Buy shares at "+finalbuy+" INR and Sell Shares "+finalsell+" INR and Profit of "+profit+" INR");
else
System.out.println("Don't do Share transacations today");
}
これは配列内の2つの要素の最大の差であり、これが私の解決策です。
O(N)時間の複雑さO(1)スペースの複雑さ
int[] arr = {5, 4, 6 ,7 ,6 ,3 ,2, 5};
int start = 0;
int end = 0;
int max = 0;
for(int i=1; i<arr.length; i++){
int currMax = arr[i] - arr[i-1];
if(currMax>0){
if((arr[i] -arr[start])>=currMax && ((arr[i] -arr[start])>=(arr[end] -arr[start]))){
end = i;
}
else if(currMax>(arr[i] -arr[start]) && currMax >(arr[end] - arr[start])){
start = i-1;
end = i;
}
}
}
max = arr[end] - arr[start];
System.out.println("max: "+max+" start: "+start+" end: "+end);
これが私の解決策です
public static int maxProfit(List<Integer> in) {
int min = in.get(0), max = 0;
for(int i=0; i<in.size()-1;i++){
min=Math.min(min, in.get(i));
max = Math.max(in.get(i) - min, max);
}
return max;
}
}
最大利益を決定する可能性は、配列内の各インデックスで配列内の左側の最小要素と右側の最大要素を追跡することです。その後、株価を反復処理すると、特定の日について、その日までの最低価格がわかります。また、その日以降(およびそれを含む)の最高価格もわかります。
たとえば、min_arr
とmax_arr
を定義し、指定された配列をarr
とします。 min_arr
のインデックスi
は、すべてのインデックス<= i
(iを含む左)のarr
の最小要素になります。 max_arr
のインデックスi
は、すべてのインデックス>= i
(iを含む)のarr
の最大要素になります。次に、max_arr
と `min_arr 'の対応する要素の最大差を見つけることができます。
def max_profit(arr)
min_arr = []
min_el = arr.first
arr.each do |el|
if el < min_el
min_el = el
min_arr << min_el
else
min_arr << min_el
end
end
max_arr = []
max_el = arr.last
arr.reverse.each do |el|
if el > max_el
max_el = el
max_arr.unshift(max_el)
else
max_arr.unshift(max_el)
end
end
max_difference = max_arr.first - min_arr.first
1.upto(arr.length-1) do |i|
max_difference = max_arr[i] - min_arr[i] if max_difference < max_arr[i] - min_arr[i]
end
return max_difference
end
これはO(n)の時間で実行されるはずですが、多くのスペースを消費すると考えています。