剑指offer95：最长公共子序列

题目：
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。如果不存在 公共子序列 ，返回 0 。
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。
示例一：
输入：text1 = “abcde”, text2 = “ace”
输出：3
解释：最长公共子序列是 “ace” ，它的长度为 3 。
示例二：
输入：text1 = “abc”, text2 = “abc”
输出：3
解释：最长公共子序列是 “abc” ，它的长度为 3 。
示例三：
输入：text1 = “abc”, text2 = “def”
输出：0
解释：两个字符串没有公共子序列，返回 0 。
提示：

• 1 <= text1.length, text2.length <= 1000
• text1 和 text2 仅由小写英文字符组成。

分析：
简单介绍一下动态规划的双序列问题，双序列问题的输入有两个或更多的序列，通常是两个字符串或数组。由于输入是两个序列，因此状态转移方程通常有两个参数，即f(i,j),定义第一个序列中下标从0到i的子序列和第二个序列中从0到j的子序列的最优解。一旦找到f(i,j),f(i-1,j),f(i,j-1)的关系，通常问题也就迎刃而解了。
如果第一个字符串中下标为i的字符和第二个字符串中下标为j的字符相同，那么f(i,j)就相当于在s1[0…i-1]和s2[0…j-1]的最长公共子序列的后面添加一个公共字符，也就是f(i,j)=f(i-1,j-1)+1(s1[i]=s2[j])
反之如果对应下标的两个字符不同，那么这两个字符就不能同时出现在s1[0…i],s2[0…j]的公共子序列中，要么是在s1[0…i-1],s2[0…j]的最长公共子序列，要么是出现在在s1[0…i],s2[0…j-1]的最长公共子序列，也就是说f(i,j)是f(i-1,j)和f(i,j-1)的最大值。
当状态转移方程的i或j等于0时，即求f(0,j)或f(i,0)时可能需要f(-1,j)或f(i,-1)的值，f(-1,j)或f(i,-1)公共子序列的长度都是0，因此f(-1,j)或f(i,-1)都等于0。
用自下而上的方式来计算状态转移方程，这个过程可以看成一个表格的填充过程，用下列表格来保存f(i,j)的计算结果。

还可以进一步优化空间效率，只需要用一个一维数组就能保存所有计算所需的信息。这个一维数组的长度是表格的列数（即输入字符串s2的长度加1），为了让一个一维数组保存表格的上下两行信息，即f(i,j)和f(i-1,j)都保存在数组dp下标j+1的位置。在计算f(i,j)之前，dp[j+1]中保存的是f(i-1,j)的值，在完成f(i,j)的计算后，dp[j+1]被f(i，j)的值所替换。在计算f(i,j)之前，dp[j+1]中保存的是f(i-1,j)的值，因此在计算f(i,j)之后不能直接用f(i,j)的值替换dp[j+1]中保存的是f(i-1,j)的值，这样在下一步在计算f(i,j+1)时，还能得到f(i-1,j)的值。

如上图，通过上一行一维数组推导出下一行一维数组。cur代表当前值，prev也从上一行数组的0下标一直右移。

代码：

public class LongestCommonSubsequence {
    public static void main(String[] args) {
        LongestCommonSubsequence longestCommonSubsequence = new LongestCommonSubsequence();
        int i = longestCommonSubsequence.longestCommonSubsequence3("abcde", "badfe");
        System.out.println(i);
    }
//   该解法空间复杂度是O（mn）
    public int longestCommonSubsequence1(String text1, String text2) {
        int len1 = text1.length();
        int len2 = text2.length();
        int[][] dp = new int[len1+1][len2+1];
        for (int i = 0; i < len1; i++) {
            for (int j = 0; j < len2; j++) {
                if (text1.charAt(i)==text2.charAt(j)){
                    dp[i+1][j+1] = dp[i][j] + 1;
                }else {
                    dp[i+1][j+1] = Math.max(dp[i][j+1],dp[i+1][j]);
                }
            }
        }
        return dp[len1][len2];
    }
//    优化空间复杂度，只保存表格中的两行
    public int longestCommonSubsequence2(String text1, String text2){
        int len1 = text1.length();
        int len2 = text2.length();
        int[][] dp = new int[2][len2+1];
        for (int i = 0; i < len1; i++) {
            for (int j = 0; j < len2; j++) {
                if (text1.charAt(i)==text2.charAt(j)){
                    dp[(i+1)%2][j+1] = dp[i%2][j] + 1;
                }else {
                    dp[(i+1)%2][j+1] = Math.max(dp[i%2][j+1],dp[(i+1)%2][j]);
                }
            }
        }
        return dp[len1%2][len2];
    }
//    再进一步优化空间效率，只需要一个一维数组
    public int longestCommonSubsequence3(String text1, String text2){
        int len1 = text1.length();
        int len2 = text2.length();
        if (len1<len2){
            return longestCommonSubsequence3(text2,text1);
        }
//        一维数组的长度就是表格的列数，空间复杂度为O(min(m,n))
        int[] dp = new int[len2+1]; 
        for (int i = 0; i < len1; i++) {
//            prev用来保存数组中被替换的值
            int prev = dp[0];
            for (int j = 0; j < len2; j++) {
//                cur代表f(i,j)
                int cur;
                if (text1.charAt(i) == text2.charAt(j)){
                    cur = prev + 1;
                }else {
                    cur = Math.max(dp[j],dp[j+1]);
                }
//                在保存f(i,j)之前，将保存在dp[j+1]中的值(f(i-1,j))临时保存到变量prev中\
//                下一步计算f(i,j+1)时可以从变量prev中得到f(i-1,j)
                prev = dp[j+1];
                dp[j+1] = cur;
            }
        }
        return dp[len2];
    }
}