def maxProfit(prices):
    """
    计算股票买卖的最大利润
    
    Args:
        prices: List[int] - 股票每天的价格
    
    Returns:
        int - 最大利润
    """
    if not prices or len(prices) <= 1:
        return 0
    
    max_profit = 0
    
    # 遍历每一天（除了最后一天）
    for i in range(len(prices) - 1):
        # 如果明天的价格比今天高，就今天买入明天卖出
        if prices[i + 1] > prices[i]:
            max_profit += prices[i + 1] - prices[i]
    
    return max_profit

# 测试用例
if __name__ == "__main__":
    # 测试用例1
    prices1 = [7, 1, 5, 3, 6, 4]
    print(f"输入: {prices1}")
    print(f"输出: {maxProfit(prices1)}")  # 期望输出: 7 (1->5 赚4, 3->6 赚3)
    
    # 测试用例2
    prices2 = [1, 2, 3, 4, 5]
    print(f"输入: {prices2}")
    print(f"输出: {maxProfit(prices2)}")  # 期望输出: 4 (每天都有上涨)
    
    # 测试用例3
    prices3 = [7, 6, 4, 3, 1]
    print(f"输入: {prices3}")
    print(f"输出: {maxProfit(prices3)}")  # 期望输出: 0 (价格一直下跌)
    
    # 测试用例4
    prices4 = [1]
    print(f"输入: {prices4}")
    print(f"输出: {maxProfit(prices4)}")  # 期望输出: 0 (只有一天)

算法正确性证明

这个贪心算法的正确性可以通过以下方式理解：

最优子结构：全局最优解包含局部最优解。每个上涨区间都应该被利用。
贪心选择性质：在每个决策点（每一天），如果明天价格更高，立即买入是局部最优选择，且不会影响后续的最优选择。
无后效性：由于可以同天多次交易，今天的决策不会限制明天的选择。

注意事项与题目启发

需要注意的问题

1. 边界条件处理

# 正确处理空数组和单元素数组
if not prices or len(prices) <= 1:
    return 0

空数组或只有一个价格时，无法进行任何交易
循环范围是 range(len(prices) - 1)，避免数组越界

2. 题目约束的理解

关键点：题目允许"同一天多次买卖"，这是贪心策略成立的前提
如果题目改为"不能同天买卖"或"有冷冻期"，这个简单贪心就不适用了
必须确认最多持有一股的约束是否影响策略（在此题中不影响）

3. 数值溢出问题

虽然Python整数不会溢出，但在其他语言中需要注意利润累加可能导致的溢出
实际应用中应考虑价格和利润的数据类型范围

4. 算法适用范围

这个解法仅适用于无交易次数限制的情况
如果有交易次数限制（如最多k次交易），需要使用动态规划
如果有交易手续费，需要调整判断条件

5. 时间复杂度的误解

虽然算法是O(n)，但要理解这依赖于"可以无限次交易"的前提
不要误以为所有股票问题都能用O(n)解决

题目的启发

1. 贪心算法的核心思想

局部最优 = 全局最优：当每个局部最优选择都能导向全局最优时，贪心策略有效
识别贪心适用场景：问题具有贪心选择性质和最优子结构
简化复杂问题：将看似复杂的连续持有问题分解为独立的每日决策

2. 问题建模的重要性

重新理解问题本质：最大利润 = 所有上涨区间的收益之和
数学转化：将连续区间收益转化为相邻天数差值的累加
抽象思维：忽略具体的买卖时机，关注收益的本质来源

3. 算法设计的层次性

这个问题展示了股票买卖问题的不同变种：

简单版本（本题）：无限次交易 → 贪心 O(n)
中等版本：最多2次交易 → 动态规划 O(n)
困难版本：最多k次交易 → 动态规划 O(nk)
复杂版本：含冷冻期/手续费 → 状态机DP

4. 实际应用价值

投资策略启示：在理想条件下（无手续费、完美信息），应该抓住每一个上涨机会
现实约束的重要性：实际交易中的手续费、税费、信息不对称等因素会改变最优策略
理论与实践的差距：算法假设完美预测未来价格，现实中需要风险管理

5. 编程思维的培养

从暴力到优化：可以先思考暴力解法（枚举所有买卖组合），再寻找优化空间
模式识别：识别出"累加所有正差值"的模式
代码简洁性：最优解往往是最简洁的，复杂的逻辑可能意味着没有找到问题本质

6. 扩展思考

这个题目还可以引申出更多有趣的变种：

如果只能进行一次交易？
如果有交易手续费？
如果卖出后有1天冷冻期？
如果最多持有k股？
如果价格是实时流式数据？

这些问题的解决思路都建立在对基础问题的深入理解之上，体现了算法学习的递进性。