新闻详情

新闻详情

首页 / 资讯中心 / 详情

【题目练习】最大子数和

发布时间:2026/11/15 15:26:10来源:尧图网络
【题目练习】最大子数和
题目描述解题过程运行结果思路先看题1、连续不能跳元素[4,-1,2,1]可以[4,2,1]跳过 - 1 不行。2、子数组最少 1 个元素数组全负数时不能返回 0要返回最大那个负数。3、求子数组元素相加的总和最大。思考每次都会很多次重复能不能利用重复的部分进行下一轮的计算。这样就不会重复计算。以 nums [i] 结尾的连续子数组最大和是多少必须以 nums [i] 结尾因为连续子数组到 i 为止。或者1把 nums [i] 接到【以 i-1 结尾的最大子数组】后面2前面那一段拖累我我不要前面所有子数组就从 nums [i] 自己开始举个例子i3nums [i]4以 i-1也就是 - 3结尾的最大子数组和是 -2。-2 4 2。对比直接取 4 自己。max(2,4)4所以以 4 结尾的最大子数组和是 4。所以dp [i]以 i 位置元素结尾的最大连续子数组和。答案来历dp 数组保存每一个位置结尾的最大子数组和。整个数组的答案就是 dp 数组里面所有值的最大值。因为最大子数组一定是以某个位置 i 结尾的。样例 dp 数组[-2,1,-2,4,3,5,6,1,5]里面最大值就是 6。自己思考进行计算数组[-2, 1, -3, 4, -1, 2, 1, -5, 4]初始化pre0maxSumINT_MINi0数字 -2思考pre 现在是上一轮 dp初始 0。Apre (-2) -2 B直接取当前 - 2。max (-2,-2)-2。pre 更新成 - 2。现在这个 pre-2是 dp [0]。拿它和 maxSum (极小值) 比较maxSum 变成 - 2。i1数字 1思考pre-2dp [0]。A-21 -1B1。max (-1,1)1。pre 更新为 1。dp [1]1。对比 maxSum (-2)maxSum 更新成 1。i2数字 -3思考pre1dp [1]A:1 (-3) -2B:-3。max (-2,-3) -2。pre-2。dp [2]-2。对比 maxSum (1)1 更大maxSum 不变。i3数字 4思考pre-2dp [2]A: -2 4 2B:4。max (2,4)4。pre4。dp [3]4。对比 maxSum (1) → maxSum4。等等......循环结束返回 maxSum6总结遍历数组对每一个位置只看以这个位置结尾的连续子数组最大和利用上一轮的结果pre每一轮都更新全局最大值。如果前面累加的结果是负数就直接抛弃前面从当前数字重新开始。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/15 4:54:16

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/15 2:04:12

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/14 10:11:15

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/14 17:14:38

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/14 16:35:50

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/15 4:06:36

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉