LeetCode 714. 買賣股票的最佳時機含手續費 | Python
技術標籤:LeetCodeleetcode動態規劃演算法python買賣股票的最佳時機含手續費
714. 買賣股票的最佳時機含手續費
題目來源:力扣(LeetCode)https://leetcode-cn.com/problems/best-time-to-buy-and-sell-stock-with-transaction-fee/
題目
給定一個整數陣列 prices
,其中第 i
個元素代表了第 i
天的股票價格 ;非負整數 fee
代表了交易股票的手續費用。
你可以無限次地完成交易,但是你每筆交易都需要付手續費。如果你已經購買了一個股票,在賣出它之前你就不能再繼續購買股票了。
返回獲得利潤的最大值。
**注意:**這裡的一筆交易指買入持有並賣出股票的整個過程,每筆交易你只需要為支付一次手續費。
示例 1:
輸入: prices = [1, 3, 2, 8, 4, 9], fee = 2
輸出: 8
解釋: 能夠達到的最大利潤:
在此處買入 prices[0] = 1
在此處賣出 prices[3] = 8
在此處買入 prices[4] = 4
在此處賣出 prices[5] = 9
總利潤: ((8 - 1) - 2) + ((9 - 4) - 2) = 8.
注意:
0 < prices.length <= 50000
.0 < prices[i] < 50000
.0 <= fee < 50000
解題思路
思路:動態規劃
這道題中,在相似題目也可以看到。該題跟 【122. 買賣股票的最佳時機 II(動態規劃、貪心)】 相似,但是這道題中多出了限制條件,也就是【交易含手續費】。
回到本題,題目中給定的整數陣列 p r i c e s prices prices,其中第 i i i 個元素表示給定股票第 i i i 天的價格。其中非負整數 f e e fee fee 表示交易股票的手續費,要求獲得最大的利潤。
進行交易時,可以多次交易,但每次交易都需要手續費。若交易的過程中持有股票時,不能夠再次購買,必須先賣出,也就是不能同時參與多筆交易。這裡注意,手續費在一筆交易的整個過程中,只需要 支付一次
動態規劃
因為【無法同時參與多筆交易】,那麼當天交易持有股票的狀態,要麼是 0 0 0 只,要麼是 1 1 1 只。這裡我們用動態規劃的方法來解決。
狀態定義
設 d p [ i ] [ 0 ] dp[i][0] dp[i][0] 表示第 i i i 天交易完成後手中不持有股票時的最大利潤;
設 d p [ i ] [ 1 ] dp[i][1] dp[i][1] 表示第 i i i 天交易完成後持有一隻股票時的最大利潤。
狀態轉移
d p [ i ] [ 0 ] dp[i][0] dp[i][0] 表示第 i i i 天交易完成後手中不持有股票時的最大利潤,這裡可能的情況如下:
- 第 i − 1 i-1 i−1 天不持有股票,第 i i i 天無交易發生;
- 第 i − 1 i-1 i−1 天持有股票,第 i i i 天將其交易賣出,獲取利潤。
那麼此時的轉移方程如下(注意交易含有手續費):
d
p
[
i
]
[
0
]
=
m
a
x
(
d
p
[
i
−
1
]
[
0
]
,
d
p
[
i
−
1
]
[
1
]
+
p
r
i
c
e
s
[
i
]
−
f
e
e
)
dp[i][0] = max(dp[i-1][0], dp[i-1][1] + prices[i] - fee)
dp[i][0]=max(dp[i−1][0],dp[i−1][1]+prices[i]−fee)
同樣,
d
p
[
i
]
[
1
]
dp[i][1]
dp[i][1] 表示第
i
i
i 天交易完成後持有一隻股票時的最大利潤,可能情況如下:
- 第 i − 1 i-1 i−1 天持有股票,第 i i i 天無交易發生;
- 第 i − 1 i-1 i−1 天不持有股票,第 i i i 天交易買入股票。
此時的轉移方程如下:
d
p
[
i
]
[
1
]
=
m
a
x
(
d
p
[
i
−
1
]
[
1
]
,
d
p
[
i
−
1
]
[
0
]
−
p
r
i
c
e
s
[
i
]
)
dp[i][1] = max(dp[i-1][1], dp[i-1][0] - prices[i])
dp[i][1]=max(dp[i−1][1],dp[i−1][0]−prices[i])
狀態初始化
第一天交易,可選擇不交易或者買入股票,那麼此時的對應的狀態值:
- d p [ 0 ] [ 0 ] = 0 dp[0][0] = 0 dp[0][0]=0;
- d p [ 0 ] [ 1 ] = − p r i c e s [ 0 ] dp[0][1]=-prices[0] dp[0][1]=−prices[0]。
s i z e size size 表示陣列的長度。
現在從第一天開始計算,這裡最終返回的最大利潤應該是 d p [ s i z e − 1 ] [ 0 ] dp[size-1][0] dp[size−1][0]。
因為交易購買股票時,需要先墊付金額。那麼 d p [ s i z e − 1 ] [ 1 ] dp[size-1][1] dp[size−1][1] 對應的值一定要小於 d p [ s i z e − 1 ] [ 0 ] dp[size-1][0] dp[size−1][0] 的。所以最終應該求 d p [ s i z e − 1 ] [ 0 ] dp[size-1][0] dp[size−1][0]。
具體的程式碼實現如下。
class Solution:
def maxProfit(self, prices: List[int], fee: int) -> int:
size = len(prices)
# 定義陣列
dp = [[0, 0] for _ in range(size)]
# 狀態初始化
dp[0][0] = 0
dp[0][1] = -prices[0]
# 開始計算
for i in range(1, size):
# 狀態轉移
dp[i][0] = max(dp[i-1][0], dp[i-1][1]+prices[i]-fee)
dp[i][1] = max(dp[i-1][1], dp[i-1][0]-prices[i])
return dp[size-1][0]
動態規劃(空間優化)
上面的方法中,我們可以看到,當天的狀態值只與前一天的狀態值相關。從這裡進行優化,進行降維。程式碼實現如下。
class Solution:
def maxProfit(self, prices: List[int], fee: int) -> int:
size = len(prices)
dp = [0, -prices[0]]
for i in range(1, size):
# 其中 dp[1] 需要用到前一天 dp[0] 的值,但 dp[0] 會先變化,這裡 tmp 先進行暫存
tmp = dp[0]
dp[0] = max(dp[0], dp[1]+prices[i]-fee)
dp[1] = max(dp[1], tmp-prices[i])
return dp[0]
歡迎關注
公眾號 【書所集錄】
如有錯誤,煩請指出,歡迎指點交流。如果覺得寫得還可以,麻煩點個贊,謝謝。