股票交易问题解题与动态规划实践

题目背景与分析

这次我们讨论的是一个股票交易的经典问题，规则如下：

每次交易之前必须先完成一次卖出操作，不能连续买入。
每次卖出后，需要等待一天的冷冻期，冷冻期内不能买入。
我们的目标是通过设计合理的交易策略，获得最大利润。

这个问题的关键在于如何在冷冻期的限制下，优化买入和卖出时机。直接的暴力求解可能会因为复杂的状态组合导致性能低下，而动态规划则是解决这一问题的高效方法。

解题思路：动态规划

在动态规划中，我们需要定义每一天的状态，并通过状态转移方程描述状态的变化。以下是解题的关键思路：

状态定义：
- 持有状态（hold） ：当天手里持有股票的最大利润。
- 冷冻状态（freeze） ：当天手里没有股票，但因为前一天刚卖出而进入冷冻期的最大利润。
- 非冷冻状态（rest） ：当天手里没有股票，也不处于冷冻期的最大利润。
状态转移方程：
- 持有状态（hold） ：持有股票可能来源于两种情况：
  - 前一天已经持有股票。
  - 前一天处于非冷冻状态，今天买入股票。
  hold[i]=max⁡(hold[i−1],rest[i−1]−stocks[i])hold[i] = \max(hold[i-1], rest[i-1] - stocks[i])
- 冷冻状态（freeze） ：冷冻状态只能来源于卖出股票：
  
  freeze[i]=hold[i−1]+stocks[i]freeze[i] = hold[i-1] + stocks[i]
- 非冷冻状态（rest） ：非冷冻状态可能来源于两种情况：
  - 昨天也是非冷冻状态。
  - 昨天是冷冻状态。
  rest[i]=max⁡(rest[i−1],freeze[i−1])rest[i] = \max(rest[i-1], freeze[i-1])
初始状态：
- 第一天买入股票：hold[0] = -stocks[0]。
- 第一天没有操作：freeze[0] = rest[0] = 0。
最终结果：
- 最后的最大利润为rest[n-1]和freeze[n-1]中的较大值，因为手里持有股票时不可能实现最大利润。

代码实现

以下是基于动态规划的代码实现：

public class Main {
    public static int solution(int[] stocks) {
        if (stocks == null || stocks.length == 0) return 0;

        int n = stocks.length;
        // 初始化状态变量
        int hold = -stocks[0]; // 第一天买入股票
        int freeze = 0;        // 冷冻期利润
        int rest = 0;          // 非冷冻期利润

        for (int i = 1; i < n; i++) {
            int prevHold = hold;
            int prevFreeze = freeze;
            int prevRest = rest;

            // 更新状态
            hold = Math.max(prevHold, prevRest - stocks[i]);
            freeze = prevHold + stocks[i];
            rest = Math.max(prevRest, prevFreeze);
        }

        // 最终利润
        return Math.max(freeze, rest);
    }

    public static void main(String[] args) {
        // 测试用例
        System.out.println(solution(new int[]{1, 2}) == 1);
        System.out.println(solution(new int[]{2, 1}) == 0);
        System.out.println(solution(new int[]{1, 2, 3, 0, 2}) == 3);
        System.out.println(solution(new int[]{2, 3, 4, 5, 6, 7}) == 5);
        System.out.println(solution(new int[]{1, 6, 2, 7, 13, 2, 8}) == 12);
    }
}

代码详解

状态变量初始化：
- hold 初始化为 -stocks[0] 表示第一天买入股票，计算利润时需要减去买入成本。
- freeze 和 rest 初始化为 0，因为第一天无法卖出股票。
状态转移：
- 通过循环遍历每一天的价格，根据状态转移方程更新 hold、freeze 和 rest。
结果计算：
- 返回最后一天 freeze 和 rest 的较大值，因为最终手里不持有股票时才能实现利润最大化。

复杂度分析

时间复杂度：遍历整个数组，时间复杂度为 O(n)O(n)。
空间复杂度：只使用了常数个变量，空间复杂度为 O(1)O(1)。

测试用例分析

用例1：

输入：stocks = [1, 2]
分析：第 1 天买入，第 2 天卖出，利润为 2 - 1 = 1。
输出：1

用例2：

输入：stocks = [2, 1]
分析：无盈利机会，利润为 0。
输出：0

用例3：

输入：stocks = [1, 2, 3, 0, 2]
分析：
- 第 1 天买入，第 3 天卖出，利润为 3 - 1 = 2。
- 冷冻期后，第 5 天买入并卖出，利润为 2 - 0 = 1。
- 总利润为 2 + 1 = 3。
输出：3

个人实践与反思

这道题是典型的动态规划问题，在实现过程中需要注意以下几点：

状态定义清晰：动态规划的核心在于正确定义状态和状态转移方程。
边界条件处理：对于只有一天或价格单调的情况，要做好初始化处理。
优化思路：通过状态压缩减少空间复杂度，提升算法性能。

扩展思考

如果股票的买卖次数有限（如最多两次交易），我们可以增加一个交易次数的状态维度。例如定义 dp[k][i] 表示最多进行 k 次交易后，第 i 天的最大利润，从而进一步解决更复杂的股票问题。

通过这道题的实践，我们可以掌握动态规划的实际应用场景和性能优化技巧，同时也为解决类似的金融数据问题打下了基础。