[leetcode]Sum of Subarray Minimums

原题

Given an array of integers A , find the sum of  min(B) , where  B ranges over every (contiguous) subarray of  A .

Since the answer may be large, return the answer modulo  10^9 + 7 .

Example 1:

Input: [3,1,2,4]
Output: 17
Explanation: Subarrays are [3], [1], [2], [4], [3,1], [1,2], [2,4], [3,1,2], [1,2,4], [3,1,2,4]. 
Minimums are 3, 1, 2, 4, 1, 1, 2, 1, 1, 1.  Sum is 17.

Note:

1 <= A.length <= 30000
1 <= A[i] <= 30000

题解

首先明确题意，给一个一维整形数组，要求求出其所有子序列（subarrays）中最小值的总和。且提示，结果可能很大，可以进行取模运算。

因为要求解每种子序列的最小值，即当前 子结构的最优解（最优子结构） ，且可以看出某个子序列的解可能会被包含其子序列的更大序列用到，即有 重叠子问题 性质。所以，可以考虑用动态规划策略来求解。

在求解问题时，首先想到了下面提到的“糟糕的动态规划”，但是分别面临了内存和时间溢出的尴尬；随后，在网友的题解中，了解到了下面“动态规划 & 单调栈”的策略。

糟糕的动态规划

递推关系

// i（从1开始计数） 指向当前元素的指针
// j（从1开始计数） 从i位置开始，向左跨越(j - 1)个元素
// d[i][j] 代表从第i个元素开始，向左跨越(j - 1)个元素的子序列中最小的值
// {2, 1, 2, 4, 2, 4}
// 举例: i = 4，j = 3, 那么dp[i][j]就是{1, 2, 4}子序列的最小值即1
// 那么有如下递推关系（状态转移方程）
dp[i][j] = A[i - 1]; // j == 1 && i == 1
dp[i][j] = min(A[i - 1], dp[i - 1][j - 1]); // j > 1 && i > 1

代码

class Solution {
    public:
        int sumSubarrayMins(vector<int>& A) {
            int mod = 1000000007;
            map<int, map<int, int>> dp;
            map<int, map<int, int>>::iterator it;
            map<int, int>::iterator itt;
            int sum = 0, c_min;
            for (int i = 1; i <= (int)A.size(); i++) {
                for (int j = 1; j <= i; j++) {  
                    if (j == 1) {
                        map<int, int> sub_map;
                        c_min = A[i - 1];
                        sub_map.insert(make_pair(j, c_min));
                        dp.insert(make_pair(i, sub_map));
                        //dp[i][j] = A[i - 1];
                    } else {
                        it = dp.find(i - 1);
                        itt = (it->second).find(j - 1);
                        c_min = min(A[i - 1], itt->second);
                        it = dp.find(i);
                        (it->second).insert(make_pair(j, c_min));
                        dp.insert(make_pair(i, it->second));
                        //dp[i][j] = min(A[i - 1], dp[i - 1][j - 1]);
                    }
                    sum = (sum + c_min) % mod;
                }
            }
            return sum;
        }
};

复杂度分析

时间复杂度：O(nlgn)

空间复杂度：O(nlgn)

上述方式耗时比较久，导致了超时错误。

动态规划 & 单调栈

为了减少时间复杂度，从状态转移方程入手，如果将上述dp数组从二维的转变为一维的，那么时间就有可能降到O(n)。

如果是一维的，那么dp[i]（这次i从0计数）代表的就是第(i+1)元素作为最右端，其包含的所有向左的子序列的最小值的和。如下：

// {2, 1, 2, 4, 2, 4}
// dp[3] 代表的左右子序列中最小值之和，即子序列：{4} {2, 4} {1, 2, 4} {2, 1, 2, 4}
// 子列中最小值的和 即4 + 2 + 1 + 1 = 8
// 故 dp[3] = 8

递推关系

那么如果求解dp[3]呢？可以发现一个规律，找到其代表的最长子序列中最小值——1，其最小值索引用j（从0开始计数）代表。并拿到当前元素距离最小值的距离d = i - j。

那么可以得到，如下状态转移方程：

// d = i - j 即 j = i - d
dp[i] = A[i]; // i == 1
dp[i] = A[i] * d + dp[i - d]; // i > 1

那么现在的问题就是如果获取这个d，从上面可以看到我们只有知道当前元素向左看，其中最小值的索引（j）才能知道d的值。那么这个d的值，可以用单调栈数据结构来维护。

这个栈从头（top）到尾（tail）看是单调递增的，如下秒速一个动态压栈的过程，来看看单调栈是如何维护这个j值的。

// {2, 1, 2, 4, 2, 4}
// 
// i = 0 栈（头->尾）：{[2, 1]} 
// 其中2代表A[i]元素的值，1代表的是 当前元素作为最小值的情况，向左的子序列的最大长度
// 
// i = 1 栈（头->尾）：{[1, 2]} 发现，[2, 1]元素没有了
// 是因为压栈时为了保持从头到尾单调递减的性质，把之前的元素pop，并将其距离自增1
// 
// i = 2 栈（头->尾）：{[2,1], [1, 2]}

代码

class Solution {
    stack<pair<int, int>> st;
    public:
    int next(int price) {
        int d = 1;
        while (!st.empty() && st.top().first >= price) {
            d += st.top().second;;
            st.pop();
        }
        st.push(make_pair(price, d));
        return d;
    }
    int sumSubarrayMins(vector<int>& A) {
        int a = 0, l = A.size(), d, mod = 1000000007;
        int dp[A.size()];
        for (int i = 0; i < l; i++) {
            d = next(A[i]);
            //dp[i] = A[i] * d + dp[i - d];
            dp[i] = (A[i] * d) % mod;
            if (i - d >= 0) dp[i] = (dp[i] + dp[i - d]) % mod;
            a = (a + dp[i]) % mod;
        }
        return a;
    }
};

复杂度分析

时间复杂度：O(n)

空间复杂度：O(n)

原题： https://leetcode.com/problems/sum-of-subarray-minimums/

Github 源码：

糟糕的动态规划

动态规划 & 单调栈

文章来源： 胡小旭 =>  [leetcode]Sum of Subarray Minimums