代码随想录训练营第53天 | 1143.最长公共子序列 ● 1035.不相交的线 ● 53. 最大子序和

1143.最长公共子序列

题目链接：https://leetcode.com/problems/longest-common-subsequence/

解法：

1. 确定dp数组（dp table）以及下标的含义

dp[i][j]：长度为[0, i - 1]的字符串text1与长度为[0, j - 1]的字符串text2的最长公共子序列为dp[i][j]

2. 确定递推公式

主要就是两大情况： text1[i - 1] 与 text2[j - 1]相同，text1[i - 1] 与 text2[j - 1]不相同

如果text1[i - 1] 与 text2[j - 1]相同，那么找到了一个公共元素，所以dp[i][j] = dp[i - 1][j - 1] + 1;

如果text1[i - 1] 与 text2[j - 1]不相同，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。

即：dp[i][j] = max(dp[i - 1][j], dp[i][j - 1]).

text1[i - 1] 与 text2[j - 1]相同的情况的递推公式，和最长重复子序列一样。但是最长重复子序列在不同时，不需要处理，原因是重新子序列需要是连续的，如果不同，那么那么当下的长度重新变为0了，就是初始值。

3. 返回值

dp[-1][-1]一定是最大值，因为不需要连续，而最长重复子序列中不一定的，所以需要不断更新result为最大值。

边界条件：无

时间复杂度：O(nm)

空间复杂度：O(nm)

class Solution(object):
    def longestCommonSubsequence(self, text1, text2):
        dp = [[0] * (len(text2)+1) for _ in range(len(text1)+1)]
        for i in range(1, len(text1)+1):
            for j in range(1, len(text2)+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])
        return dp[-1][-1]

1035.不相交的线   

题目链接：https://leetcode.com/problems/uncrossed-lines/

解法：

这道题其实和求最长公共子序列是一模一样的...

边界条件：

时间复杂度：

空间复杂度：

class Solution(object):
    def maxUncrossedLines(self, nums1, nums2):
        dp = [[0] * (len(nums2)+1) for i in range(len(nums1)+1)]
        for i in range(1, len(nums1)+1):
            for j in range(1, len(nums2)+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])
        return dp[-1][-1]

53. 最大子序和

题目链接：https://leetcode.com/problems/maximum-subarray/

解法：

1. 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]。

2. 确定递推公式

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]);

3. dp数组如何初始化

从递推公式可以看出来dp[i]是依赖于dp[i - 1]的状态，dp[0]就是递推公式的基础。

根据dp[i]的定义，很明显dp[0]应为nums[0]即dp[0] = nums[0]。

边界条件：无

时间复杂度：O(n)

空间复杂度：O(n)

# 贪心版本
class Solution(object):
    def maxSubArray(self, nums):
        
        result = float("-inf")
        count = 0
        for n in nums:
            count += n

            # 这个判断得放在对count更新之前
            if count > result:
                result = count

            # 如果子序列和为负了，就把下一个元素作为起点
            if count <= 0:
                count = 0
            
        return result

# 动态规划
class Solution(object):
    def maxSubArray(self, nums):
    # 这里必须强调是以nums[i]结尾的最大和，
    # 而不是截止到i的最大和（可能以i-1结尾）
        dp = [0] * len(nums)
        dp[0] = nums[0]
        for i in range(1, len(nums)):
            # dp的每个元素是以nums[i]结尾的最大和，那么只有两个情况
            # 一种是dp[i-1]为负，那么直接取nums[i]，不管nums[i]是正还是负
            # 一种是dp[i-1]为正，那么就是dp[i-1]+nums[i]，因为i位置加了正的才变大
            dp[i] = max(nums[i], dp[i-1]+nums[i])
        return max(dp)