给你一个整数数组 nums ，请你找出一个具有最大和的连续子数组（子数组最少包含一个元素），返回其最大和。
前缀和加贪心算法，时间复杂度为O(n)
class Solution(object):
def maxSubArray(self, nums):
"""
:type nums: List[int]
:rtype: int
"""
n = len(nums)
# Step 1: 计算前缀和数组 preSum
preSum = []
tmp = 0
for i in range(n):
tmp += nums[i]
preSum.append(tmp)
# Step 2: 找到最大子数组和
maxSum = preSum[0]
minPreSum = 0
for i in range(n):
maxSum = max(maxSum, preSum[i] - minPreSum)
minPreSum = min(minPreSum, preSum[i])
return maxSum
动态规划： 动态规划的核心思想是利用子问题的最优解来构建原问题的最优解。对于这个问题，可以定义一个状态数组 dp，其中 dp[i] 表示以 nums[i] 结尾的最大子数组和。
具体的动态规划转移方程可以如下定义：
dp[i] = max(nums[i], dp[i-1] + nums[i])
意思是，以第 i 个元素结尾的最大子数组和，要么是只包含第 i 个元素本身，要么是包含了前面的最大子数组和，并且加上第 i 个元素。然后，我们在整个数组中找到所有以每个元素结尾的子数组的最大和，最终的答案即为所有 dp 数组中的最大值。
class Solution(object):
def maxSubArray(self, nums):
"""
:type nums: List[int]
:rtype: int
"""
n = len(nums)
# 初始化动态规划数组
dp = [0] * n
dp[0] = nums[0]
# 递推计算 dp 数组
for i in range(1, n):
dp[i] = max(nums[i], dp[i-1] + nums[i])
# 返回 dp 数组中的最大值
return max(dp)
