动态规划算法：⼦序列问题（数组中不连续的⼀段）

例题一

解法（动态规划）：

算法思路：

1. 状态表⽰：

对于线性 dp ，我们可以⽤「经验 + 题⽬要求」来定义状态表⽰：

i. 以某个位置为结尾，巴拉巴拉；

ii. 以某个位置为起点，巴拉巴拉。

这⾥我们选择⽐较常⽤的⽅式，以某个位置为结尾，结合题⽬要求，定义⼀个状态表⽰：

dp[i] 表⽰：以 i 位置元素为结尾的「所有⼦序列」中，最⻓递增⼦序列的⻓度。

2. 状态转移⽅程：

对于 dp[i] ，我们可以根据「⼦序列的构成⽅式」，进⾏分类讨论：

i. ⼦序列⻓度为 1 ：只能⾃⼰玩了，此时 dp[i] = 1 ；

ii. ⼦序列⻓度⼤于 1 ： nums[i] 可以跟在前⾯任何⼀个数后⾯形成⼦序列。

设前⾯的某⼀个数的下标为 j ，其中 0 <= j <= i - 1 。只要 nums[j] < nums[i] ， i 位置元素跟在 j 元素后⾯就可以形成递增序列，⻓度为 dp[j] + 1 。因此，我们仅需找到满⾜要求的最⼤的 dp[j] + 1 即可。 综上， dp[i] = max(dp[j] + 1, dp[i]) ，其中 0 <= j <= i - 1 && nums[j] < nums[i] 。

3. 初始化：

所有的元素「单独」都能构成⼀个递增⼦序列，因此可以将 dp 表内所有元素初始化为 1 。由于⽤到前⾯的状态，因此我们循环的时候从第⼆个位置开始即可。

4. 填表顺序：

显⽽易⻅，填表顺序「从左往右」。

5. 返回值：

由于不知道最⻓递增⼦序列以谁结尾，因此返回 dp 表⾥⾯的「最⼤值」。

例题二

解法（动态规划）：

算法思路：

1. 状态表⽰：

对于线性 dp ，我们可以⽤「经验 + 题⽬要求」来定义状态表⽰：

i. 以某个位置为结尾，巴拉巴拉；

ii. 以某个位置为起点，巴拉巴拉。

这⾥我们选择⽐较常⽤的⽅式，以某个位置为结尾，结合题⽬要求，定义⼀个状态表⽰：dp[i] 表⽰「以 i 位置为结尾的最⻓摆动序列的⻓度」。但是，问题来了，如果状态表⽰这样定义的话，以 i 位置为结尾的最⻓摆动序列的⻓度我们没法从之前的状态推导出来。因为我们不知道前⼀个最⻓摆动序列的结尾处是递增的，还是递减的。因此，我们需要状态表⽰能表⽰多⼀点的信息：要能让我们知道这⼀个最⻓摆动序列的结尾是递增的还是递减的。解决的⽅式很简单：搞两个 dp 表就好了。

f[i] 表⽰：以 i 位置元素为结尾的所有的⼦序列中，最后⼀个位置呈现「上升趋势」的最⻓摆动序列的⻓度；

g[i] 表⽰：以 i 位置元素为结尾的所有的⼦序列中，最后⼀个位置呈现「下降趋势」的最⻓摆动序列的⻓度。

2. 状态转移⽅程：

由于⼦序列的构成⽐较特殊， i 位置为结尾的⼦序列，前⼀个位置可以是 [0, i - 1] 的任意位置，因此设 j 为 [0, i - 1] 区间内的某⼀个位置。

对于f[i] ，我们可以根据「⼦序列的构成⽅式」，进⾏分类讨论：

i. ⼦序列⻓度为 1 ：只能⾃⼰玩了，此时 f[i] = 1 ；

ii. ⼦序列⻓度⼤于1 ：因为结尾要呈现上升趋势，因此需要 nums[j] < nums[i] 。在满⾜这个条件下， j 结尾需要呈现下降状态，最⻓的摆动序列就是 g[j] + 1 。因此我们要找出所有满⾜条件下的最⼤的g[j] + 1 。综上， f[i] = max(g[j] + 1, f[i]) ，注意使⽤g[j] 时需要判断。

对于g[i] ，我们可以根据「⼦序列的构成⽅式」，进⾏分类讨论：

i. ⼦序列⻓度为 1 ：只能⾃⼰玩了，此时 g[i] = 1 ；

ii. ⼦序列⻓度⼤于 1 ：因为结尾要呈现下降趋势，因此需要 nums[j] > nums[i] 。在满⾜这个条件下， j 结尾需要呈现上升状态，因此最⻓的摆动序列就是 f[j] + 1 。因此我们要找出所有满⾜条件下的最⼤的f[j] + 1 。 综上， g[i] = max(f[j] + 1, g[i]) ，注意使⽤f[j] 时需要判断。

3. 初始化：

所有的元素「单独」都能构成⼀个摆动序列，因此可以将 dp 表内所有元素初始化为 1 。

4. 填表顺序：

毫⽆疑问是「从左往右」。

5. 返回值：

应该返回「两个 dp 表⾥⾯的最⼤值」，我们可以在填表的时候，顺便更新⼀个「最⼤值」。

例题三

解法（动态规划）：

算法思路：

1. 状态表⽰：

先尝试定义⼀个状态：以 i 为结尾的最⻓递增⼦序列的「个数」。那么问题就来了，我都不知道

以 i 为结尾的最⻓递增⼦序列的「⻓度」是多少，我怎么知道最⻓递增⼦序列的个数呢？因此，我们解决这个问题需要两个状态，⼀个是「⻓度」，⼀个是「个数」：

len[i] 表⽰：以 i 为结尾的最⻓递增⼦序列的⻓度；

count[i] 表⽰：以 i 为结尾的最⻓递增⼦序列的个数。

2. 状态转移⽅程：

求个数之前，我们得先知道⻓度，因此先看 len[i] ：

i. 在求 i 结尾的最⻓递增序列的⻓度时，我们已经知道 [0, i - 1] 区间上的 len[j]信息，⽤ j 表⽰ [0, i - 1] 区间上的下标；

ii. 我们需要的是递增序列，因此 [0, i - 1] 区间上的 nums[j] 只要能和 nums[i]构成上升序列，那么就可以更新 dp[i] 的值，此时最⻓⻓度为 dp[j] + 1 ；

iii. 我们要的是 [0, i - 1] 区间上所有情况下的最⼤值。

综上所述，对于 len[i] ，我们可以得到状态转移⽅程为：

len[i] = max(len[j] + 1, len[i]) ，其中 0 <= j < i ，并且 nums[j] < nums[i] 。

在知道每⼀个位置结尾的最⻓递增⼦序列的⻓度时，我们来看看能否得到 count[i] ：

i. 我们此时已经知道 len[i] 的信息，还知道 [0, i - 1] 区间上的 count[j] 信息，⽤ j 表⽰ [0, i - 1] 区间上的下标；

ii. 我们可以再遍历⼀遍 [0, i - 1] 区间上的所有元素，只要能够构成上升序列，并且上升序列的⻓度等于 dp[i] ，那么我们就把 count[i] 加上 count[j] 的值。这样循环⼀遍之后， count[i] 存的就是我们想要的值。 综上所述，对于 count[i] ，我们可以得到状态转移⽅程为：

count[i] += count[j] ，其中 0 <= j < i ，并且 nums[j] < nums[i] && dp[j] + 1 == dp[i] 。

3. 初始化：

◦ 对于 len[i] ，所有元素⾃⼰就能构成⼀个上升序列，直接全部初始化为 1 ；

◦ 对于 count[i] ，如果全部初始化为 1 ，在累加的时候可能会把「不是最⼤⻓度的情况」累加进去，因此，我们可以先初始化为 0 ，然后在累加的时候判断⼀下即可。具体操作情况看代码~

4. 填表顺序：

毫⽆疑问是「从左往右」。

5. 返回值：

⽤ lenmax  表⽰最终的最⻓递增⼦序列的⻓度。

根据题⽬要求，我们应该返回所有⻓度等于 l enmax  的⼦序列的个数。

例题四

解法（动态规划）：

算法思路：

这道题⽬让我们在数对数组中挑选出来⼀些数对，组成⼀个呈现上升形态的最⻓的数对链。像不像

我们整数数组中挑选⼀些数，让这些数组成⼀个最⻓的上升序列？因此，我们可以把问题转化成我

们学过的⼀个模型： 300. 最⻓递增⼦序列 。因此我们解决问题的⽅向，应该在「最⻓递增⼦序

列」这个模型上。不过，与整形数组有所区别。在⽤动态规划结局问题之前，应该先把数组排个序。因为我们在计算 dp[i] 的时候，要知道所有左区间⽐ pairs[i] 的左区间⼩的链对。排完序之后，只⽤「往前遍历⼀遍」即可。

1. 状态表⽰：

dp[i] 表⽰以 i 位置的数对为结尾时，最⻓数对链的⻓度。

2. 状态转移⽅程：

对于 dp[i] ，遍历所有 [0, i - 1] 区间内数对⽤ j 表⽰下标，找出所有满⾜ pairs[j][1] < pairs[i][0] 的 j 。找出⾥⾯最⼤的 dp[j] ，然后加上 1 ，就是以 i 位置为结尾的最⻓数对链。

3. 初始化：

刚开始的时候，全部初始化为 1 。

4. 填表顺序：

根据「状态转移⽅程」，填表顺序应该是「从左往右」。

5. 返回值：

根据「状态表⽰」，返回整个 dp 表中的最⼤值。

例题五

解法（动态规划）：

算法思路：

这道题和 300. 最⻓递增⼦序列 有⼀些相似，但仔细读题就会发现，本题的 arr.lenght ⾼达10^5 ，使⽤ O(N^2) 的 lcs 模型⼀定会超时。

那么，它有什么信息是 300. 最⻓递增⼦序列 的呢？是定差。之前，我们只知道要递增，不知道前

⼀个数应当是多少；现在我们可以计算出前⼀个数是多少了，就可以⽤数值来定义 dp 数组的值，并形成状态转移。这样，就把已有信息有效地利⽤了起来。

1. 状态表⽰：

dp[i] 表⽰：以 i 位置的元素为结尾所有的⼦序列中，最⻓的等差⼦序列的⻓度。

2. 状态转移⽅程：

对于 dp[i] ，上⼀个定差⼦序列的取值定为 arr[i] - difference 。只要找到以上⼀个数字为结尾的定差⼦序列⻓度的 dp[arr[i] - difference] ，然后加上 1 ，就是以 i 为结尾的定差⼦序列的⻓度。因此，这⾥可以选择使⽤哈希表做优化。我们可以把「元素， dp[j] 」绑定，放进哈希表中。甚⾄不⽤创建 dp 数组，直接在哈希表中做动态规划。

3. 初始化：

刚开始的时候，需要把第⼀个元素放进哈希表中， hash[arr[0]] = 1 。

4. 填表顺序：

根据「状态转移⽅程」，填表顺序应该是「从左往右」。

5. 返回值：

根据「状态表⽰」，返回整个 dp 表中的最⼤值。

例题六

解法（动态规划）：

算法思路：

1. 状态表⽰：

对于线性 dp ，我们可以⽤「经验 + 题⽬要求」来定义状态表⽰：

i. 以某个位置为结尾，巴拉巴拉；

ii. 以某个位置为起点，巴拉巴拉。

这⾥我们选择⽐较常⽤的⽅式，以某个位置为结尾，结合题⽬要求，定义⼀个状态表⽰：

dp[i] 表⽰：以 i 位置元素为结尾的「所有⼦序列」中，最⻓的斐波那契⼦数列的⻓度。

但是这⾥有⼀个⾮常致命的问题，那就是我们⽆法确定 i 结尾的斐波那契序列的样⼦。这样就会导

致我们⽆法推导状态转移⽅程，因此我们定义的状态表⽰需要能够确定⼀个斐波那契序列。根据斐波那契数列的特性，我们仅需知道序列⾥⾯的最后两个元素，就可以确定这个序列的样⼦。因此，我们修改我们的状态表⽰为：

dp[i][j] 表⽰：以 i 位置以及 j 位置的元素为结尾的所有的⼦序列中，最⻓的斐波那契⼦序列的⻓度。规定⼀下 i < j 。

2. 状态转移⽅程：

设 nums[i] = b, nums[j] = c ，那么这个序列的前⼀个元素就是 a = c - b 。我们根据 a的情况讨论：

i. a 存在，下标为 k ，并且 a < b ：此时我们需要以 k 位置以及 i 位置元素为结尾的最⻓斐波那契⼦序列的⻓度，然后再加上 j 位置的元素即可。于是 dp[i][j] = dp[k][i] + 1 ；

ii. a 存在，但是 b < a < c ：此时只能两个元素⾃⼰玩了， dp[i][j] = 2 ；

iii. a 不存在：此时依旧只能两个元素⾃⼰玩了， dp[i][j] = 2 。

综上，状态转移⽅程分情况讨论即可。

优化点：我们发现，在状态转移⽅程中，我们需要确定 a 元素的下标。因此我们可以在 dp 之前，将所有的「元素 + 下标」绑定在⼀起，放到哈希表中。

3. 初始化：

可以将表⾥⾯的值都初始化为 2 。

4. 填表顺序：

a. 先固定最后⼀个数；

b. 然后枚举倒数第⼆个数。

5. 返回值：

因为不知道最终结果以谁为结尾，因此返回 dp 表中的最⼤值 ret 。但是 ret 可能⼩于 3 ，⼩于 3 的话说明不存在。因此需要判断⼀下。

例题七

解法（动态规划）：

算法思路：

1. 状态表⽰：

对于线性 dp ，我们可以⽤「经验 + 题⽬要求」来定义状态表⽰：

i. 以某个位置为结尾，巴拉巴拉；

ii. 以某个位置为起点，巴拉巴拉。

这⾥我们选择⽐较常⽤的⽅式，以某个位置为结尾，结合题⽬要求，定义⼀个状态表⽰：dp[i] 表⽰：以 i 位置元素为结尾的「所有⼦序列」中，最⻓的等差序列的⻓度。但是这⾥有⼀个⾮常致命的问题，那就是我们⽆法确定 i 结尾的等差序列的样⼦。这样就会导致我们⽆法推导状态转移⽅程，因此我们定义的状态表⽰需要能够确定⼀个等差序列。根据等差序列的特性，我们仅需知道序列⾥⾯的最后两个元素，就可以确定这个序列的样⼦。因此，我们修改我们的状态表⽰为：

dp[i][j] 表⽰：以 i 位置以及 j 位置的元素为结尾的所有的⼦序列中，最⻓的等差序列的⻓度。规定⼀下 i < j 。

2. 状态转移⽅程：

设nums[i] = b, nums[j] = c ，那么这个序列的前⼀个元素就是 a =2 * b - c 。我们根据a的情况讨论：

a. a 存在，下标为 k ，并且 a < b ：此时我们需要以 k 位置以及 i 位置元素为结尾的最⻓等差序列的⻓度，然后再加上 j 位置的元素即可。于是 dp[i][j] = dp[k][i] + 1 。这⾥因为会有许多个 k ，我们仅需离 i 最近的 k 即可。因此任何最⻓的都可以以 k为结尾；

b. a 存在，但是 b < a < c ：此时只能两个元素⾃⼰玩了， dp[i][j] = 2 ；

c. a 不存在：此时依旧只能两个元素⾃⼰玩了， dp[i][j] = 2 。

综上，状态转移⽅程分情况讨论即可。

优化点：我们发现，在状态转移⽅程中，我们需要确定 a 元素的下标。因此我们可以将所有的元素 + 下标绑定在⼀起，放到哈希表中，这⾥有两种策略：

a. 在 dp 之前，放⼊哈希表中。这是可以的，但是需要将下标形成⼀个数组放进哈希表中。这样时间复杂度较⾼，我帮⼤家试过了，超时。

b. ⼀边 dp ，⼀边保存。这种⽅式，我们仅需保存最近的元素的下标，不⽤保存下标数组。但是⽤这种⽅法的话，我们在遍历顺序那⾥，先固定倒数第⼆个数，再遍历倒数第⼀个数。这样就可以在 i 使⽤完时候，将 nums[i]扔到哈希表中。

3. 初始化：

根据实际情况，可以将所有位置初始化为 2 。

4. 填表顺序：

a. 先固定倒数第⼆个数；

b. 然后枚举倒数第⼀个数。

5. 返回值：

由于不知道最⻓的结尾在哪⾥，因此返回dp 表中的最⼤值。

例题八

解法（动态规划）：

算法思路：

1. 状态表⽰：

对于线性 dp ，我们可以⽤「经验 + 题⽬要求」来定义状态表⽰：

i. 以某个位置为结尾，巴拉巴拉；

ii. 以某个位置为起点，巴拉巴拉。

这⾥我们选择⽐较常⽤的⽅式，以某个位置为结尾，结合题⽬要求，定义⼀个状态表⽰：

dp[i] 表⽰：以 i 位置元素为结尾的「所有⼦序列」中，等差⼦序列的个数。

但是这⾥有⼀个⾮常致命的问题，那就是我们⽆法确定 i 结尾的等差序列的样⼦。这样就会导致我们⽆法推导状态转移⽅程，因此我们定义的状态表⽰需要能够确定⼀个等差序列。根据等差序列的特性，我们仅需知道序列⾥⾯的最后两个元素，就可以确定这个序列的样⼦。因此，我们修改我们的状态表⽰为：

dp[i][j] 表⽰：以 i 位置以及 j 位置的元素为结尾的所有的⼦序列中，等差⼦序列的个数。规定⼀下 i < j 。

2.

状态转移⽅程：

设nums[i] = b, nums[j] = c ，那么这个序列的前⼀个元素就是 a =2 * b - c 。我们根据a的情况讨论：

a. a 存在，下标为 k ，并且 a < b ：此时我们知道以 k 元素以及 i 元素结尾的等差序列的个数 dp[k][i] ，在这些⼦序列的后⾯加上 j 位置的元素依旧是等差序列。但是这⾥会多出来⼀个以 k, i, j 位置的元素组成的新的等差序列，因此 dp[i][j] = dp[k][i] + 1 ；

b. 因为 a 可能有很多个，我们需要全部累加起来。

综上， dp[i][j] += dp[k][i] + 1 。

优化点：我们发现，在状态转移⽅程中，我们需要确定 a 元素的下标。因此我们可以在 dp 之前，将所有元素 + 下标数组绑定在⼀起，放到哈希表中。这⾥为何要保存下标数组，是因为我们要统计个数，所有的下标都需要统计。

3. 初始化：

刚开始是没有等差数列的，因此初始化 dp 表为 0 。

4. 填表顺序：

a. 先固定倒数第二个数；

b. 然后枚举倒数第一个数。

5. 返回值：

我们要统计所有的等差⼦序列，因此返回 dp 表中所有元素的和。