一:作用
最长公共子序列的问题常用于解决字符串的相似度,是一个非常实用的算法,是基本功。
二:概念
举个例子,cnblogs这个字符串中子序列有多少个呢?很显然有27个,比如其中的cb,cgs等等都是其子序列,我们可以看出子序列不见得一定是连续的,连续的那是子串。
我想大家已经了解了子序列的概念,那现在可以延伸到两个字符串了,那么大家能够看出:cnblogs和belong的公共子序列吗?
在你找出的公共子序列中,你能找出最长的公共子序列吗?
从图中我们看到了最长公共子序列为blog,仔细想想我们可以发现其实最长公共子序列的个数不是唯一的,可能会有两个以上,但是长度一定是唯一的,比如这里的最长公共子序列的长度为4。
三:解决方案
<1> 枚举法
这种方法是最简单,也是最容易想到的,当然时间复杂度也是龟速的,我们可以分析一下,刚才也说过了cnblogs的子序列个数有27个 ,延伸一下:一个长度为N的字符串,其子序列有2N个,每个子序列要在第二个长度为N的字符串中去匹配,匹配一次需要O(N)的时间,总共也就是O(N*2N),可以看出,时间复杂度为指数级,恐怖的令人窒息。
<2> 动态规划
既然是经典的题目肯定是有优化空间的,并且解题方式是有固定流程的,这里我们采用的是矩阵实现,也就是二维数组。
第一步:先计算最长公共子序列的长度。
第二步:根据长度,然后通过回溯求出最长公共子序列。
现有两个序列X={x1,x2,x3,...xi},Y={y1,y2,y3,....,yi},
设一个C[i,j]: 保存Xi与Yj的LCS的长度。
递推方程为:
不知道大家看懂了没?动态规划的一个重要性质特点就是解决“子问题重叠”的场景,可以有效的避免重复计算,根据上面的公式其实可以发现C[i,j]一直保存着当前(Xi,Yi)的最大子序列长度。
图大家可以自己画一画。例如:我输入两个序列X=acgbfhk,Y=cegefkh。
四:编码
cnblogs和belong的公共子序列的代码完全是根据上面的公式照搬过来:
/**
* Created by xuming on 2016/6/14.
*/
public class LongestSonSeq {
static int[][] martix;
static String str1 = "cnblogs";
static String str2 = "belong";
public static void main(String[] arge) {
martix = new int[str1.length() + 1][str2.length() + 1];
LCS(str1, str2);
//只要拿出矩阵最后一个位置的数字即可
System.out.println("当前最大公共子序列的长度为:" + martix[str1.length()][str2.length()]);
}
static void LCS(String str1, String str2) {
//初始化边界,过滤掉0的情况
for (int i = 0; i <= str1.length(); i++)
martix[i][0] = 0;
for (int j = 0; j <= str2.length(); j++)
martix[0][j] = 0;
//填充矩阵
for (int i = 1; i <= str1.length(); i++) {
for (int j = 1; j <= str2.length(); j++) {
//相等的情况
char[] strchar1 = str1.toCharArray();
char[] strchar2 = str2.toCharArray();
if (strchar1[i - 1] == strchar2[j - 1]) {
martix[i][j] = martix[i - 1][j - 1] + 1;
System.out.println("martix[i][j]:" + String.valueOf(strchar1[i - 1]) + " i:" + i + ";j:" + j);
} else {
//比较“左边”和“上边“,根据其max来填充
if (martix[i - 1][j] >= martix[i][j - 1]) {
martix[i][j] = martix[i - 1][j];
} else {
martix[i][j] = martix[i][j - 1];
}
}
}
}
}
}
时间复杂度:构建矩阵花费O(MN)的时间,回溯时花费了O(M+N)的时间,两者相加最终花费了O(MN)的时间。
空间复杂度:构建矩阵花费O(MN)的空间,标记函数也花费了O(MN)的空间,两者相加最终花费了O(MN)的空间。