摘要

今天我们要聊的是 LeetCode 第 376 题 —— 摆动序列。
题目的意思其实很有意思：如果一个序列里的相邻差值能保持正负交替，就叫做“摆动”。比如 [1, 7, 4, 9, 2, 5]，它就像过山车一样，上下起伏，非常符合“摆动”的定义。

这道题的目标就是：从给定数组中找到最长的摆动子序列长度。
我会带你先理解题意，再分析解法，最后用 Swift 写出可运行的 Demo，并结合实际场景让这个抽象的问题更容易理解。

描述

题目要求我们找到数组中最长的摆动子序列：

• 如果相邻两个数的差严格正负交替，那么就是摆动序列。
• 一个数字或者两个不相等的数字也算摆动序列。
• 允许我们删掉一些数，但不能打乱顺序。

比如：

• [1, 7, 4, 9, 2, 5] → 差值是 (6, -3, 5, -7, 3)，完全正负交替，长度就是 6。
• [1, 17, 10, 13, 10, 16, 8] → 差值 (16, -7, 3, -3, 6, -8)，长度是 7。
• [1, 2, 3, 4, 5, 6, 7, 8, 9] → 最长只有两个数，因为它一直是递增，没有“起伏”。

题解答案

这道题的本质是一个 动态规划 + 贪心思想 的组合问题。
我们只需要关心当前“趋势”：

• 如果当前差值是正的，就意味着我们找到了一个“上升摆动”。
• 如果当前差值是负的，就意味着我们找到了一个“下降摆动”。

于是，我们可以用两个变量来动态记录：

• up[i] 表示以第 i 个元素结尾的最长上升摆动序列长度。
• down[i] 表示以第 i 个元素结尾的最长下降摆动序列长度。

状态转移关系：

• 如果 nums[i] > nums[i-1]：

  • up[i] = down[i-1] + 1

• 如果 nums[i] < nums[i-1]：

  • down[i] = up[i-1] + 1

• 如果相等，啥也不变。

最后结果就是 max(up[n-1], down[n-1])。

这个逻辑其实就像我们生活中“情绪波动”一样：

• 当你心情一直很嗨（递增），突然遇到挫折（下降），这时候才算一次“摆动”；
• 当你心情很低落（下降），突然遇到好事（上升），又算一次“摆动”。
  如果一直高歌猛进或者持续低迷，就没有摆动。

题解代码分析

下面我们用 Swift 来实现：

import Foundationclass Solution {func wiggleMaxLength(_ nums: [Int]) -> Int {if nums.count < 2 { return nums.count }var up = 1var down = 1for i in 1..<nums.count {if nums[i] > nums[i - 1] {up = down + 1} else if nums[i] < nums[i - 1] {down = up + 1}}return max(up, down)}
}

代码解析

1. 初始化
   如果数组长度小于 2，直接返回数组长度。因为一个数或两个不相等的数就是摆动序列。

2. 定义变量
   up 和 down 初始值都设为 1。代表至少可以形成一个单独的数字序列。

3. 遍历数组

   • 如果当前数比前一个大，说明找到一个上升趋势，于是 up = down + 1。
   • 如果当前数比前一个小，说明找到一个下降趋势，于是 down = up + 1。
   • 如果相等，不做任何更新。

4. 返回结果
   最后返回 max(up, down)，即最长的摆动子序列。

示例测试及结果

我们来跑几个例子验证一下：

let solution = Solution()print(solution.wiggleMaxLength([1, 7, 4, 9, 2, 5]))  
// 输出: 6print(solution.wiggleMaxLength([1, 17, 5, 10, 13, 15, 10, 5, 16, 8]))  
// 输出: 7print(solution.wiggleMaxLength([1, 2, 3, 4, 5, 6, 7, 8, 9]))  
// 输出: 2

输出结果：

6
7
2

结果和题目示例完全一致。

时间复杂度

我们只遍历了一次数组，每个元素只做了常数操作。
因此时间复杂度是 O(n)。

空间复杂度

我们只用了常数个变量 up 和 down，不需要额外存储数组。
因此空间复杂度是 O(1)。

总结

这道题的关键点在于：

• 不要陷入“暴力枚举所有子序列”的陷阱。那样复杂度太高。
• 只需要用两个变量跟踪“上升”和“下降”的最长长度，就能搞定。

从实际场景来看，它就像分析“股市行情”或“人的情绪波动”：

• 如果股价总是涨（或总是跌），最长的摆动长度就很小。
• 如果股价能反复起伏，摆动序列就会变长。
  所以这个算法思路不仅能解决题目，还能帮助我们理解“变化趋势”在数据分析里的意义。