动态规划求字符串之间的编辑距离

1.编辑距离的概念

   编辑距离（Edit Distance），又称Levenshtein距离，是指两个字串之间，由一个转成另一个所需的最少编辑操作次数。许可的编辑操作包括将一个字符替换成另一个字符，插入一个字符，删除一个字符。一般来说，编辑距离越小，两个串的相似度越大。

   例如site和ste两个字符串的编辑距离是1

   site->ste（删除i）

   ste->site（插入i）

2.动态规划思想

       动态规划的特点：

把原始问题划分成一系列子问题

求解每个子问题仅一次，并将其结果保存在一个表中，以后用到时直接存取，不重复计算，节省计算时间

自底向上地计算

适用范围：

一类优化问题：可分为多个相关子问题，子问题的解被重复使用

使用动态规划的条件：

优化子结构

当一个问题的优化解包含了子问题的优化解时，我们说这个问题具有优化子结构。

缩小子问题集合，只需那些优化问题中包含的子问题，降低实现复杂性

优化子结构使得我们能自下而上地完成求解过程

重叠子问题

在问题的求解过程中，很多子问题的解将被多次使用

3.动态规划处理编辑距离

其实与最长公共子序列的想法是一样的。

•优化子结构

定理1（优化子结构）设X=(x1,..., xm)、Y=(y1, ..., yn) 是两个序列，Z=(z1,..., zk)是X与Y的LCS，我们有：

 ⑴如果xm=yn,则zk=xm=yn,Zk-1是Xm-1和Yn-1的LCS，即，LCSXY=LCSXm-1Yn-1+ <xm=yn>.

 ⑵如果xm¹yn，且zk¹xm，则Z是Xm-1和Y的LCS，即 LCSXY=LCSXm-1Y

 ⑶如果xm¹yn,且zk¹yn,则Z是X与Yn-1的LCS，即 LCSXY=LCSXYn-1

•递归方程

 C[i,j] = j                                    if  i=0

C[i,j] = i                                   if  j=0

 C[i,j] = C[i-1, j-1]             if i,j>0 且xi =yj

 C[i,j] = Min(C[i,j-1], C[i-1, j],C[i-1, j-1]) +1  ifi,j>0 且xi != yj

4.java代码实现

package com.edu.hit;

import java.util.Scanner;

public class EditDistance {

	public static void main(String[] args) {
		String str1,str2;
		Scanner in = new Scanner(System.in);
		str1 = in.next();
		str2 = in.next();
		int[][] cal = new int[str1.length()+1][str2.length()+1];
		//初始化
		for (int i = 0; i < str2.length()+1; i++) {
			cal[0][i] = i;
		}
		for (int i = 0; i < str1.length()+1; i++) {
			cal[i][0] = i;
		}
		//char[] str3 = str1.toCharArray();
		//char[] str4 = str2.toCharArray();
		//根据递归方程自底向上计算
		for (int i = 1; i < str1.length()+1; i++) {
			for (int j = 1; j < str2.length()+1; j++) {
				if(str1.charAt(i-1) == str2.charAt(j-1)){
					cal[i][j] = cal[i-1][j-1];
				}else{
					cal[i][j] = Math.min(Math.min(cal[i-1][j-1], cal[i-1][j]), cal[i][j-1])+1;
				}
			}
		}
		System.out.println(cal[str1.length()][str2.length()]);
	}

}