PTA动态规划实战：从最大子段和到背包问题，5个经典题目详解（附Java代码）

最新推荐文章于 2026-07-04 15:41:22 发布

原创

最新推荐文章于 2026-07-04 15:41:22 发布 · 202 阅读

PTA动态规划实战：从最大子段和到背包问题，5个经典题目详解（附Java代码）

如果你正在准备算法竞赛或者技术面试，动态规划（Dynamic Programming, DP）这道坎儿，大概率是绕不过去的。我刚开始接触DP的时候，感觉它就像个黑盒子，状态转移方程看得人云里雾里，明明每个字都认识，连起来却不知道在说什么。直到后来在PTA（Programming Teaching Assistant）平台上刷了几十道题，从最简单的最大子段和一路磕磕绊绊到复杂的区间DP，才慢慢摸到了一点门道。我发现，与其去死记硬背那些晦涩的理论，不如直接动手，把几个最经典、最常考的题目吃透，理解其背后的“状态”是如何定义和转移的。这篇文章，我就想和你分享这趟实战之旅中的五个关键“驿站”，它们覆盖了线性DP、背包、序列处理、区间规划等核心场景。我会用详细的Java代码和一步步的推理，帮你把PTA上这些经典题目的“筋骨”拆解清楚，让你下次再遇到DP问题时，心里能有个清晰的解题框架，而不是一片空白。

1. 最大子段和：动态规划的“入门仪式”

最大子段和问题，常被称作动态规划最好的“入门仪式”。它的描述极其简单：给定一个可能包含负数的整数序列，找出其中连续子序列的最大和。如果所有整数都是负数，那么最大和定义为0。题目要求时间复杂度为O(n)，这直接排除了暴力枚举所有子序列的O(n²)或O(n³)解法，暗示我们必须用更聪明的方式。

为什么它能用动态规划解决？ 关键在于我们如何定义“状态”。一个最自然的想法是：dp[i] 表示“以第 i 个元素结尾的”所有连续子序列中，和最大的那个值。注意这个定义，它固定了子序列的终点，这样我们就能利用之前计算的结果。

提示：在动态规划中，对状态的定义往往决定了递推关系的难易。将状态定义为“以i结尾”而非“从i到j”，是简化问题的关键一步。

那么，dp[i] 怎么从之前的状态推导出来呢？对于以 arr[i] 结尾的子序列，只有两种可能：

它单独构成一个子序列，和就是 arr[i]。
它接在以 arr[i-1] 结尾的最大和子序列后面，和是 dp[i-1] + arr[i]。

我们的目标是和最大，所以取两者中的较大值：dp[i] = max(arr[i], dp[i-1] + arr[i])。

这个递推关系就是整个算法的核心。我们只需要遍历一次数组，不断更新 dp[i]，同时用一个变量记录所有 dp[i] 中的最大值，即为最终答案。

import java.util.Scanner;

public class MaxSubArraySum {
    public static int maxSubSum(int[] arr) {
        if (arr == null || arr.length == 0) {
            return 0;
        }
        int currentMax = arr[0]; // 相当于dp[i-1]，初始为第一个元素
        int globalMax = arr[0];  // 记录全局最大值

        for (int i = 1; i < arr.length; i++) {
            // 状态转移：currentMax = max(arr[i], currentMax + arr[i])
            currentMax = Math.max(arr[i], currentMax + arr[i]);
            // 更新全局最大值
            globalMax = Math.max(globalMax, currentMax);
        }
        // 根据题意，如果全局最大值小于0，则返回0
        return globalMax > 0 ? globalMax : 0;
    }

    public static void main(String[] args) {
        Scanner scanner = new Scanner(System.in);
        int n = scanner.nextInt();
        int[] arr = new int[n];
        for (int i = 0; i < n; i++) {
            arr[i] = scanner.nextInt();
        }
        System.out.println(maxSubSum(arr));
        scanner.close();
    }
}

这段代码是上述思路的空间优化版本。我们注意到，在计算 dp[i] 时，只依赖于 dp[i-1]，因此不需要保存整个 dp 数组，用一个变量 currentMax 滚动更新即可。空间复杂度从O(n)降到了O(1)。PTA上的样例输入 -2 11 -4 13 -5 -2，计算过程如下表所示：