算法（动态规划）----最长上升子序列

最长上升子序列

给定一个无序的整数数组，找到其中最长上升子序列的长度。

输入: [10,9,2,5,3,7,101,18]
输出: 4 
解释: 最长的上升子序列是 [2,3,7,101]，它的长度是 4。
说明:

可能会有多种最长上升子序列的组合，你只需要输出对应的长度即可。
你算法的时间复杂度应该为 O(n2) 。
进阶: 你能将算法的时间复杂度降低到 O(n log n) 吗？ 

动态规划

•  第 1 步：定义状态。首先考虑“题目问什么，就把什么定义成状态”，发现无从下手。但可以基于下面这个事实，考虑状态的定义：

为了从一个较短的上升子序列得到一个较长的上升子序列，我们主要关心这个较短的上升子序列结尾的元素。

• 为了保证子序列的相对顺序性，在程序读到一个新的数的时候，如果比已经得到的子序列的最后一个数还大，那么就可以放在这个子序列的最后，形成一个更长的子序列。
• 一个子序列一定会以一个数结尾，于是将状态定义成：dp[i] 表示以 nums[i] 结尾的“最长上升子序列”的长度，注意这个定义中 nums[i] 必须被选取，且必须被放在最后一个元素。
• 第 2 步：考虑状态转移方程；
• 遍历到 nums[i] 时，考虑把索引 i 之前的所有的数都看一遍，只要当前的数 nums[i] 严格大于之前的某个数，那么 nums[i] 就可以接在这个数后面形成一个更长的上升子序列。因此，dp[i] 就等于索引 i 之前严格小于 nums[i] 的状态最大者 +1+1。
• 语言描述：在索引 i 之前严格小于 nums[i] 的所有状态中的最大者 + 1+1。
• 符号描述：

                                               

• 第 3 步：考虑初始化：dp[0] = 1，1 个字符当然也是长度为 1 的上升子序列；
• 第 4 步：考虑输出：所有 dp[i] 中的最大值（dp[i] 考虑了所有以 nums[i] 结尾的上升子序列）；
• 第 5 步：考虑状态压缩：之前所有的状态都得保留，因此无法压缩。
• 时间复杂度O(n^2)
• 空间复杂度O（n）

代码：

public int lengthOfLIS(int[] nums) {
		if (nums.length < 2) {
			return nums.length;
		}
		int[] dp = new int[nums.length];
		Arrays.fill(dp, 1);
		for (int i = 1; i < nums.length; i++) {
			for (int j = 0; j < i; j++) {
				if (nums[j] < nums[i]) {
					dp[i] = Math.max(dp[i], dp[j] + 1);
				}
			}
		}
		int max = -1;
		for (int i = 0; i < nums.length; i++) {
			max = Math.max(max, dp[i]);
		}
		return max;
	}