Day53 动态规划part14
1143.最长公共子序列
leetcode题目链接:1143. 最长公共子序列 - 力扣(LeetCode)
题意:给定两个字符串 text1 和 text2,返回这两个字符串的最长公共子序列的长度。一个字符串的 子序列 是指这样一个新的字符串:它是由原字符串在不改变字符的相对顺序的情况下删除某些字符(也可以不删除任何字符)后组成的新字符串。例如,"ace" 是 "abcde" 的子序列,但 "aec" 不是 "abcde" 的子序列。两个字符串的「公共子序列」是这两个字符串所共同拥有的子序列。若这两个字符串没有公共子序列,则返回 0。
思路:本题和**动态规划:718. 最长重复子数组 (opens new window)**区别在于这里不要求是连续的了,但要有相对顺序,即:"ace" 是 "abcde" 的子序列,但 "aec" 不是 "abcde" 的子序列。
- dp数组及其下标:dp[i][j]:a数组在[0,i-1],b数组在[0,j-1]区间里最长公共子序列为dp[i][j]
- 递推公式:
- 如果text1[i-1] == text2[j-1]: dp[i][j] = dp[i-1][j-1]+1
- 如果text1[i-1] != text2[j-1]: 那就看看text1[0, i - 2]与text2[0, j - 1]的最长公共子序列 和 text1[0, i - 1]与text2[0, j - 2]的最长公共子序列,取最大的。dp[i][j] = max(dp[i-1][j], dp[i][j-1])
- 初始化:text[0, i-1]和空串的最长公共子序列自然是0,所以dp[i][0] = 0;同理dp[0][j]也是0。其他下标都是随着递推公式逐步覆盖,初始为多少都可以,那么就统一初始为0。
- 遍历顺序:从递推公式,可以看出,有三个方向可以推出dp[i][j](从dp[i-1][j-1], dp[i-1][j], dp[i][j-1]), 那么为了在递推的过程中,这三个方向都是经过计算的数值,所以要从前向后,从上到下来遍历这个矩阵。
class Solution:
def longestCommonSubsequence(self, text1: str, text2: str) -> int:
len1 = len(text1)
len2 = len(text2)
dp = [[0]*(len2+1) for _ in range(len1+1)]
res = 0
for i in range(1, len1+1):
for j in range(1, len2+1):
if text1[i-1] == text2[j-1]:
dp[i][j] = dp[i-1][j-1]+1
else:
dp[i][j] = max(dp[i-1][j], dp[i][j-1])
if dp[i][j]>res:
res = dp[i][j]
return res
1035.不相交的线
leetcode链接:1035. 不相交的线 - 力扣(LeetCode)
思路:本题说是求绘制的最大连线数,其实就是求两个字符串的最长公共子序列的长度!和上一题代码几乎一致:
class Solution:
def maxUncrossedLines(self, nums1: List[int], nums2: List[int]) -> int:
len1 = len(nums1)
len2 = len(nums2)
dp = [[0]*(len2+1) for _ in range(len1+1)]
res = 0
for i in range(1, len1+1):
for j in range(1, len2+1):
if nums1[i-1] == nums2[j-1]:
dp[i][j] = dp[i-1][j-1]+1
else:
dp[i][j] = max(dp[i-1][j], dp[i][j-1])
if dp[i][j]>res:
res = dp[i][j]
return res
53. 最大子序和动态规划
leetcode链接:. - 力扣(LeetCode)
题意:给定一个整数数组 nums ,找到一个具有最大和的连续子数组(子数组最少包含一个元素),返回其最大和。
示例:
- 输入: [-2,1,-3,4,-1,2,1,-5,4]
- 输出: 6
- 解释: 连续子数组 [4,-1,2,1] 的和最大,为 6。
思路:之前用贪心的方法做过这道题,这次用动态规划做
贪心:
class Solution:
def maxSubArray(self, nums: List[int]) -> int:
max_sum = float('-inf')
now_sum = 0
for i in range(len(nums)):
if now_sum<0:
now_sum = nums[i]
else:
now_sum += nums[i]
if now_sum>max_sum:
max_sum = now_sum
return max_sum
动态规划:
- 确定dp数组(dp table)以及下标的含义:dp[i]:包括下标i(以nums[i]为结尾)的最大连续子序列和为dp[i]。
- 递推公式:dp[i]只有两个方向可以推出来:
- dp[i - 1] + nums[i],即:nums[i]加入当前连续子序列和
- nums[i],即:从头开始计算当前连续子序列和
- 一定是取最大的,所以dp[i] = max(dp[i - 1] + nums[i], nums[i]);
- dp数组初始化:dp[i]是依赖于dp[i - 1]的状态,dp[0]=nums[0]就是递推公式的基础。
- 遍历顺序:从前往后
- 结果!!!注意不是dp[-1]而是要从里面找一个最大的
class Solution:
def maxSubArray(self, nums: List[int]) -> int:
dp = [float('-inf')] * len(nums)
dp[0] = nums[0]
res = nums[0]
for i in range(1, len(nums)):
dp[i] = max(dp[i-1]+nums[i], nums[i])
res = max(res, dp[i])
print(dp)
return res