LeetCode 53 最大子数组和：一次遍历掌握 Kadane 算法

前言

“最大子数组和”是数组与动态规划中的经典题目。它的代码只有几行，但真正重要的是理解：当我们遍历到一个新元素时，什么时候应该延续前面的子数组，什么时候应该从当前元素重新开始。

这道题对应 LeetCode 53，核心解法通常称为 Kadane 算法。它既可以从动态规划角度理解，也可以看作一种基于局部最优决策的贪心过程。

一、题目说明

给定一个整数数组 nums，找出一个具有最大和的连续子数组，并返回该子数组的元素和。子数组至少包含一个元素。

例如：

输入：nums = [-2, 1, -3, 4, -1, 2, 1, -5, 4]
输出：6
解释：连续子数组 [4, -1, 2, 1] 的和最大，为 6。

这里最重要的限制是“连续”。我们不能像子序列问题一样跳过中间元素。

二、暴力枚举为什么不够好？

最直观的办法是枚举所有子数组的起点和终点，再计算每个区间的和。如果使用前缀和优化区间求和，仍然需要枚举两个端点，时间复杂度为 O(n²)；如果每次重新累加，复杂度甚至可能达到 O(n³)。

实际上，我们没有必要反复计算每个区间。遍历到当前元素时，只需要知道一个信息：以前一个位置结尾的最大子数组和，是否值得继续保留？

三、Kadane 算法的核心思想

定义两个变量：

• current：以当前元素结尾的最大子数组和；

• result：遍历过程中出现过的全局最大子数组和。

对于当前元素 nums[i]，只有两种选择：

1. 接在前面的子数组后面，得到 current + nums[i]；

2. 放弃前面的子数组，从当前元素重新开始，得到 nums[i]。

因此状态转移公式为：

current = max(nums[i], current + nums[i])
result  = max(result, current)

为什么前面的和小于零时可以直接放弃？假设此前的子数组和为 -3，当前元素为 4：

-3 + 4 = 1

显然不如直接从 4 开始。任何负数前缀都会拖累后面的结果，所以它不可能成为最优子数组的一部分。

反过来，如果此前的和为正数，它能够增大当前元素构成的子数组和，就应该继续保留。这个判断就是 Kadane 算法能够一次遍历完成计算的关键。

四、示例演算

以数组 [-2, 1, -3, 4, -1, 2, 1, -5, 4] 为例：

遍历到 4 时，前面的 current 为 -2，继续累加只会拖累结果，因此从 4 重新开始。随后依次加入 -1、2、1，最终得到最大和 6。

注意，遍历到 -5 时，current 虽然下降为 1，但仍然是正数，所以理论上仍有保留价值。最终加入 4 得到 5，没有超过全局最大值 6。

五、Java 代码实现

1. 标准动态规划写法

class Solution {
    public int maxSubArray(int[] nums) {
        int current = nums[0];
        int result = nums[0];

        for (int i = 1; i < nums.length; i++) {
            current = Math.max(nums[i], current + nums[i]);
            result = Math.max(result, current);
        }

        return result;
    }
}

这段代码直接对应状态转移公式，含义也最清晰：当前元素要么加入原子数组，要么成为新子数组的起点。

2. 等价写法

class Solution {
    public int maxSubArray(int[] nums) {
        int result = nums[0];
        int sum = 0;

        for (int num : nums) {
            if (sum > 0) {
                sum += num;
            } else {
                sum = num;
            }
            result = Math.max(result, sum);
        }

        return result;
    }
}

两种写法本质完全相同：

sum > 0  → 延续原子数组
sum <= 0 → 从当前元素重新开始

标准写法更方便推导动态规划公式；截图写法则更加直观地体现了“负数前缀立即舍弃”的思想。

六、复杂度分析

• 时间复杂度：O(n)。只需要遍历数组一次；

• 空间复杂度：O(1)。只使用两个变量，没有额外数组。

如果使用完整的动态规划数组，令 dp[i] 表示以 nums[i] 结尾的最大子数组和，也可以求解，但每个状态只依赖前一个状态，因此可将空间从 O(n) 优化为 O(1)。