动态规划-最长递增子序列

在此之前，我们已经讲解了不少动态规划子数组类型的问题，本篇开始将介绍一些子序列类型问题。

首先，我们需要了解什么是子序列。子序列 是由数组派生而来的序列，删除（或不删除）数组中的元素而不改变其余元素的顺序，子序列 包含了 子数组 ，换而言之，对于一个数组，其子数组就是一个子序列，但子序列不都是子数组。例如，[3,6,2,7] 是数组 [0,3,1,6,2,2,7] 的子序列。

题目描述

给你一个整数数组 nums ，找到其中最长 严格递增 子序列的长度。
示例：

输入：nums = [10 , 9 , 2 , 5 , 3 , 7 , 91 , 18]

输出：4

解释：最长递增子序列是 [2 , 3 , 7 , 91]，因此长度为 4 。

解题思路 

1. 状态定义

首先，我们需要明确状态的定义。在这个问题中，我们定义 dp[i] 为以 nums[i] 结尾的最长递增子序列的长度。这个定义很关键，因为它允许我们仅通过查看数组的前缀（即 nums[0] 到 nums[i-1]）来找出以 nums[i] 结尾的最长递增子序列的长度。

2. 初始化

接下来，我们需要初始化 dp 数组。由于任何单独的元素都可以看作是一个长度为 1 的递增子序列，因此我们将 dp 数组的所有元素初始化为 1。这表示每个元素至少可以构成一个长度为 1 的递增子序列。

3. 状态转移

状态转移是动态规划的核心。对于每个位置 i（从 1 到 n-1，其中 n 是数组的长度），我们需要检查它之前的所有位置 j（从 0 到 i-1）。如果 nums[i] > nums[j]，那么我们可以尝试将 nums[i] 添加到以 nums[j] 结尾的递增子序列的末尾，从而形成一个更长的递增子序列。为了找到以 nums[i] 结尾的最长递增子序列，我们需要比较所有可能的 dp[j] + 1（其中 j < i 且 nums[i] > nums[j]），并选择其中的最大值来更新 dp[i]。

但注意，实际上在遍历过程中，我们并不直接计算这个最大值，而是用一个循环来更新 dp[i]。

4. 边界条件

由于我们是从索引 1 开始计算 dp[i] 的（因为 dp[0] 初始化为 1），所以不需要特别处理边界条件。但是，理解这一点很重要：当我们说“以 nums[i] 结尾的最长递增子序列”时，我们实际上是在考虑所有可能的、以 nums[i] 作为最后一个元素的递增子序列。

5. 最终结果

遍历完整个数组后，dp 数组中的最大值就是我们要找的最长递增子序列的长度。

class Solution {
public:
    int lengthOfLIS(vector<int>& nums) {
        int n = nums.size();
        vector<int> dp(n, 1); // dp[i] 以nums[i]为结尾的最长递增子序列长度 每个元素至少可以构成长度为1的递增子序列 
       
        for (int i = 1; i < n; i++) {

            for (int j = 0; j < i; j++) {
                if (nums[i] > nums[j]) {
                    dp[i] = max(dp[i], dp[j] + 1);
                }
            }
           
        }
        int ret = dp[0];
        for (int i = 1; i < n; i++) {
            ret = max(ret, dp[i]);
        }
        return ret;
    }
};