转载请注明出处：http://blog.csdn.net/ns_code/article/details/20942045
这是一道考的烂的不能再烂的题目，但是依然有很多公司乐于将这样的题目作为笔试或面试题，足见其经典。
问题是这样的：一个整数数组中的元素有正有负，在该数组中找出一个连续子数组，要求该连续子数组中各元素的和最大，这个连续子数组便被称作最大连续子数组。比如数组{2,4,-7,5,2,-1,2,-4,3}的最大连续子数组为{5,2,-1,2}，最大连续子数组的和为5+2-1+2=8。
下面按照时间复杂度逐步优化的顺序依次给出这三种算法。
暴力求解法
该方法的思想非常简单，先找出从第1个元素开始的最大子数组，而后再从第2个元素开始找出从第2个元素开始的最大子数组，依次类推，比较得出最大的子数组。实现代码如下：
/*
常规方法,时间复杂度O（n*n）
先从第一个元素开始向后累加，
每次累加后与之前的和比较，保留最大值，
再从第二个元素开始向后累加，以此类推。
*/
int MaxSubSum1(int *arr,int len)
{
int i,j;
int MaxSum = 0;
//每次开始累加的起始位置的循环
for(i=0;i<len;i++)
{
int CurSum = 0;
//向后累加的循环
for(j=i;j<len;j++)
{
CurSum += arr[j];
if(CurSum > MaxSum)
MaxSum = CurSum;
}
}
return MaxSum;
}很明显地可以看出，该方法的时间复杂度为O（n*n）。
分治求解法
考虑将数组从中间分为两个子数组，则最大子数组必然出现在以下三种情况之一：
1、完全位于左边的数组中。
2、完全位于右边的数组中。
3、跨越中点，包含左右数组中靠近中点的部分。
递归将左右子数组再分别分成两个数组，直到子数组中只含有一个元素，退出每层递归前，返回上面三种情况中的最大值。实现代码如下：
/*
求三个数中的最大值
*/
int Max3(int a,int b,int c)
{
int Max = a;
if(b > Max)
Max = b;
if(c > Max)
Max = c;
return Max;
}
/*
次优算法，采用分治策略
*/
int MaxSubSum2(int *arr,int left,int right)
{
int MaxLeftSum,MaxRightSum; //左右边的最大和
int MaxLeftBorderSum,MaxRightBorderSum; //含中间边界的左右部分最大和
int LeftBorderSum,RightBorderSum; //含中间边界的左右部分当前和
int i,center;
//递归到最后的基本情况
if(left == right)
if(arr[left]>0)
return arr[left];
else
return 0;
//求含中间边界的左右部分的最大值
center = (left + right)/2;
MaxLeftBorderSum = 0;
LeftBorderSum = 0;
for(i=center;i>=left;i--)
{
LeftBorderSum += arr[i];
if(LeftBorderSum > MaxLeftBorderSum)
MaxLeftBorderSum = LeftBorderSum;
}
MaxRightBorderSum = 0;
RightBorderSum = 0;
for(i=center+1;i<=right;i++)
{
RightBorderSum += arr[i];
if(RightBorderSum > MaxRightBorderSum)
MaxRightBorderSum = RightBorderSum;
}
//递归求左右部分最大值
MaxLeftSum = MaxSubSum2(arr,left,center);
MaxRightSum = MaxSubSum2(arr,center+1,right);
//返回三者中的最大值
return Max3(MaxLeftSum,MaxRightSum,MaxLeftBorderSum+MaxRightBorderSum);
}
/*
将分支策略实现的算法封装起来
*/
int MaxSubSum2_1(int *arr,int len)
{
return MaxSubSum2(arr,0,len-1);
}设该算法的时间复杂度为T（n）,则：
T（n）= 2T（n/2）+ O（n），且T（1）= 1。
逐步递推得到时间复杂度T（n）= O（nlogn）。
线性时间算法
该算法在每次元素累加和小于0时，从下一个元素重新开始累加。实现代码如下：
/*
最优方法，时间复杂度O（n）
和最大的子序列的第一个元素肯定是正数
因为元素有正有负，因此子序列的最大和一定大于0
*/
int MaxSubSum3(int *arr,int len)
{
int i;
int MaxSum = 0;
int CurSum = 0;
for(i=0;i<len;i++)
{
CurSum += arr[i];
if(CurSum > MaxSum)
MaxSum = CurSum;
//如果累加和出现小于0的情况，
//则和最大的子序列肯定不可能包含前面的元素，
//这时将累加和置0，从下个元素重新开始累加
if(CurSum < 0)
CurSum = 0;
}
return MaxSum;
}显然，该算法的时间复杂度O（n）。该算法理解起来应该不难，但是要想出来可就不容易了。另外，该算法的一个附带的有点是：它只对数据进行一次扫描，一旦元素被读入并被处理，它就不再需要被记忆。因此，如果数组在磁盘或磁带上，他就可以被顺序读入，在主存中不必存储数组的任何部分。不仅如此，在任意时刻，该算法都能对它已经读入的数据给出最大子数组（另外两种算法不具有这种特性）。具有这种特性的算法叫做联机算法。
