53. 最大子数组和
题目描述
给你一个整数数组 nums
,请你找出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。
子数组 是数组中的一个连续部分。
示例 1:
输入:nums = [-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 。
示例 2:
输入:nums = [1]
输出:1
示例 3:
输入:nums = [5,4,-1,7,8]
输出:23
思路分析
这道题之前我们曾使用贪心方法解决过一次.这次我们使用动态规划进行解决.
动规五部曲
- 确定dp数组以及下标的含义
dp[i]:下标i之前(包括i)的最大连续子序列和为dp[i]
- 确定递推公式
dp[i]只有两个方向推出来
- dp[i-1] + nums[i],即:nums[i]加入当前连续子序列和
- nums[i],即:当nums[i]从头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数组如何初始化
dp[i]依赖于dp[i-1]的状态,dp[0]就是递推公式的基础.
根据dp[0]的定义,很明显dp[0] = nums[0].
- 确定遍历顺序
根据递推公式,可以看出需要从前往后遍历
- 举例推导dp数组
以示例一为例,输入:nums = [-2,1,-3,4,-1,2,1,-5,4],对应的dp状态如下:
注意最后的结果可不是dp[nums.size() - 1]! ,而是dp[6]。所以需要在遍历过程中 及时更新结果集result.
参考代码
贪心法
//贪心法
int maxSubArray(vector<int>& nums) {
int count = 0;
int result = INT_MIN;
for(int i = 0; i < nums.size(); i++) {
count += nums[i];
result = count > result ? count : result;
if(count < 0) { //如果count变成了负数,则从0重新开始.因为负数加任何数答案都会变小.
count = 0;
}
}
return result;
}
动态规划法
//动态规划
int maxSubArray(vector<int>& nums) {
vector<int> dp(nums.size(),0) ;//dp定义
dp[0] = nums[0] ;//dp初始化
int result = nums[0];//记录结果
//进行递推
for(int i = 1; i < nums.size(); i++) {
dp[i] = max(dp[i-1]+nums[i],nums[i]);//dp[i] = max(使用当前数,从当前数重头开始)
if(dp[i] > result) {
result = dp[i];
}
}
return result;
}
392. 判断子序列
题目描述
给定字符串 s 和 t ,判断 s 是否为 t 的子序列。
字符串的一个子序列是原始字符串删除一些(也可以不删除)字符而不改变剩余字符相对位置形成的新字符串。(例如,"ace"
是"abcde"
的一个子序列,而"aec"
不是)。
进阶:
如果有大量输入的 S,称作 S1, S2, … , Sk 其中 k >= 10亿,你需要依次检查它们是否为 T 的子序列。在这种情况下,你会怎样改变代码?
致谢:
特别感谢 @pbrother 添加此问题并且创建所有测试用例。
示例 1:
输入:s = "abc", t = "ahbgdc"
输出:true
示例 2:
输入:s = "axc", t = "ahbgdc"
输出:false
思路分析
这道题可以使用双指针的思路解决,很方便也易于理解,时间复杂度 O ( n ) O(n) O(n)
我们接下来试一下动态规划,**动规五部曲**走起
- 确定dp数组以及下标的含义
dp[i] [j]表示:以下标i-1为结尾的字符串s和以下标j-1为结尾的字符串t,相同子序列长度为dp[i] [j]
- 确定递推公式
考虑两种情况:
-
if(s[i-1] == t[j-1])
- t中找到了一个字符在s中也出现了,
dp[i][j] = dp[i-1][j-1] +1
- t中找到了一个字符在s中也出现了,
-
if(s[i-1] != t[j-1])
- 相当于t要删除元素,继续往后匹配, 删除后就是要比较 s[i-1]与t[j-2]的比较结果了,即:
dp[i][j] = dp[i][j-1]
- 相当于t要删除元素,继续往后匹配, 删除后就是要比较 s[i-1]与t[j-2]的比较结果了,即:
- dp数组如何初始化
从递推公式可有看出dp[i] [j]都是依赖于dp[i-1] [j-1]和dp[i] [j-1],所以dp[0] [0]和dp[i] [0]一定是要初始化的.
这里大家已经可以发现,在定义dp[i] [j]含义的时候为什么要表示以下标i-1为结尾的字符串s,和以下标j-1为结尾的字符串t,相同子序列的长度为dp[i] [j]。
因为这样的定义在dp二维矩阵中可以留出初始化的区间,如图:
如果要是定义的dp[i] [j]是以下标i为结尾的字符串s和以下标j为结尾的字符串t,初始化就比较麻烦了。
dp[i] [0] 表示以下标i-1为结尾的字符串,与空字符串的相同子序列长度,所以为0. dp[0] [j]同理。
我们可以定义时直接进行初始化,代码如下:
vector<vector<int>> dp(s.size() + 1, vector<int>(t.size() + 1, 0));
- 确定遍历顺序
同理从递推公式可以看出dp[i] [j]都是依赖于dp[i - 1] [j - 1] 和 dp[i] [j - 1],那么遍历顺序也应该是从上到下,从左到右
如图所示:
- 举例推导dp数组
以示例一为例,输入:s = “abc”, t = “ahbgdc”,dp状态转移图如下:
双指针法
//双指针法
bool isSubsequence(string s, string t) {
if(s.size()>t.size()) {
return false;
}
int point1 = 0;
for(int i = 0; i < t.size(); i++) {
if(point1==s.size()) {
break;
}
if(s[point1]==t[i]) {
point1++;
}
}
if(point1==s.size()) {//这里还是要判断一下,因为可能上面循环中,for循环结束时,s也刚好走完.
return true;
}
return false;
}
动态规划法
//动态规划
bool isSubsequence(string s, string t) {
vector<vector<int>> dp(s.size()+1,vector<int>(t.size()+1,0)) ;//dp定义及初始化
//递推dp
for(int i = 1; i <= s.size(); i++) {
for(int j = 1;j <= t.size(); j++){
if(s[i] == t[j]){
dp[i][j] = dp[i-1][j-1] + 1;
}else{
dp[i][j] = dp[i][j-1];//t中删除j-1的元素 相当于求s[0,i-1] ,t[0,j-2]的最大子序列长度.
}
}
}
return dp[s.size()][t.size()] == s.size();
}
115. 不同的子序列
题目描述
给定一个字符串 s
和一个字符串 t
,计算在 s
的子序列中 t
出现的个数。
字符串的一个 子序列 是指,通过删除一些(也可以不删除)字符且不干扰剩余字符相对位置所组成的新字符串。(例如,"ACE"
是 "ABCDE"
的一个子序列,而 "AEC"
不是)
题目数据保证答案符合 32 位带符号整数范围。
示例 1:
输入:s = "rabbbit", t = "rabbit"
输出:3
解释:
如下图所示, 有 3 种可以从 s 中得到 "rabbit" 的方案。
rabbbit
rabbbit
rabbbit
示例 2:
输入:s = "babgbag", t = "bag"
输出:5
解释:
如下图所示, 有 5 种可以从 s 中得到 "bag" 的方案。
babgbag
babgbag
babgbag
babgbag
babgbag
思路分析
这道题目如果不是子序列,而是要求连续序列的,那就可以考虑用KMP。
动规五部曲
- 确定dp数组以及下标的含义
dp[i] [j] :以i-1为结尾的s子序列中出现以 j-1 为结尾的t的个数为dp[i] [j]
- 确定递推公式
主要是考虑两种情况
- s[i - 1]与t[j - 1]相等
- s[i - 1]与t[j - 1]不相等
相等时,dp[i] [j]可以由两部分组成,一部分是用s[i-1]来匹配,那么个数为dp[i-1] [j-1].一部分是不用s[i-1]来匹配,个数为dp[i-1] [j]
这里可能有同学不明白了,为什么还要考虑 不用s[i - 1]来匹配,都相同了指定要匹配啊。
例如: s:bagg 和 t:bag ,s[3] 和 t[2]是相同的,但是字符串s也可以不用s[3]来匹配,即用s[0]s[1]s[2]组成的bag。
当然也可以用s[3]来匹配,即:s[0]s[1]s[3]组成的bag。
所以当s[i - 1] 与 t[j - 1]相等时,dp[i][j] = dp[i - 1][j - 1] + dp[i - 1][j];
当s[i - 1] 与 t[j - 1]不相等时,dp[i] [j]只有一部分组成,不能用s[i - 1]来匹配,即:dp[i - 1] [j]
所以递推公式为:dp[i][j] = dp[i - 1][j];
- dp数组如何初始化
从递推公式dp[i][j] = dp[i - 1][j - 1] + dp[i - 1][j];
和 dp[i][j] = dp[i - 1][j];
中可以看出dp[i] [0] 和dp[0] [j]是一定要初始化的。
-
dp[i] [0] 表示:以i-1为结尾的s可以随便删除元素,出现空字符串的个数。
那么dp[i] [0]一定都是1,因为也就是把以i-1为结尾的s,删除所有元素,出现空字符串的个数就是1。
-
dp[0] [j]:空字符串s可以随便删除元素,出现以j-1为结尾的字符串t的个数。
那么dp[0] [j]一定都是0,s如论如何也变成不了t。
最后就要看一个特殊位置了,即:dp[0] [0] 应该是多少。
dp[0] [0]应该是1,空字符串s,可以删除0个元素,变成空字符串t。
- 确定遍历顺序
从递推公式dp[i][j] = dp[i - 1][j - 1] + dp[i - 1][j];
和 dp[i][j] = dp[i - 1][j];
中可以看出dp[i] [j]都是根据左上方和正上方推出来的。
所以遍历的时候一定是从上到下,从左到右,这样保证dp[i] [j]可以根据之前计算出来的数值进行计算。
- 举例推导dp数组
以s:“baegg”,t:"bag"为例,推导dp数组状态如下:
参考代码
#include<bits/stdc++.h>
using namespace std;
//动态规划法
int numDistinct(string s, string t) {
vector<vector<uint64_t>> dp(s.size()+1,vector<uint64_t>(t.size()+1,0));//dp定义 uint64_t:无符号的long int
//初始化 dp[i][j]:以i-1为结尾的s子序列中出现以j-1为结尾的t的个数为dp[i][j]。
//dp[0][j] = 0 dp[i][0] = 1:当s没有元素便是答案 dp[0][0] = 1
for(int i = 0; i <= s.size(); i++) {
dp[i][0] = 1;
}
//递推dp
for(int i = 1;i <= s.size(); i++){
for(int j = 1; j<=t.size(); j++){
if(s[i-1]==t[j-1]){
dp[i][j] = dp[i-1][j-1]+dp[i-1][j]; //用s[i - 1]+不用s[i - 1]匹配
}else{
dp[i][j] = dp[i-1][j];//如果不相等,则s中删除元素 . 用s[i-2] 匹配.
}
}
}
return dp[s.size()][t.size()] ;
}
583. 两个字符串的删除操作
题目描述
给定两个单词 word1
和 word2
,返回使得 word1
和 word2
相同所需的最小步数。
每步 可以删除任意一个字符串中的一个字符。
示例 1:
输入: word1 = "sea", word2 = "eat"
输出: 2
解释: 第一步将 "sea" 变为 "ea" ,第二步将 "eat "变为 "ea"
示例 2:
输入:word1 = "leetcode", word2 = "etco"
输出:4
思路分析
这个题相比上题,就是两个字符串都可以进行删除了,清空会稍微复杂一点,但是整体思路保持不变.
动规五部曲
- 确定dp数组以及下标的含义
dp[i] [j]:以i-1结尾的字符串word1和以j-1结尾的字符串word2,想要达到相等,所要删除元素的最少次数.
- 确定递推公式
- 当word1[i-1]与word2[j-1]相同的时候
- 当word1[i-1]与word2[j-1]不相同的时候
情况一:删word1[i - 1],最少操作次数为dp[i - 1] [j] + 1
情况二:删word2[j - 1],最少操作次数为dp[i] [j - 1] + 1
情况三:同时删word1[i - 1]和word2[j - 1],操作的最少次数为dp[i - 1][j - 1] + 2
那最后当然是取最小值,所以当word1[i - 1] 与 word2[j - 1]不相同的时候,递推公式:dp[i][j] = min({dp[i - 1][j - 1] + 2, dp[i - 1][j] + 1, dp[i][j - 1] + 1});
- dp数组如何初始化
从递推公式可以看出来,dp[i] [0]和dp[0] [j]是一定要初始化的.
dp[i][0]:word2为空字符串,以i-1为结尾的字符串word1要删除多少个元素,才能和word2相同呢,很明显dp[i][0] = i。
- 确定遍历顺序
从递推公式可有看出来,dp[i] [j]是根据左上方,正上方,正左方推出来的.
所以遍历的时候一定是 从上到下,从左到右.
- 举例推导dp数组
以word1:“sea”,word2:"eat"为例,推导dp数组状态图如下:
参考代码
#include<bits/stdc++.h>
using namespace std;
int minDistance(string word1, string word2) {
vector<vector<int>> dp(word1.size()+1,vector<int>(word2.size()+1,0));//定义dp
//初始化dp dp[0][j] = j dp[i][0] = i dp[0][0] = 0
for(int i = 0;i <=word1.size(); i++){
dp[i][0] = i;
}
for(int j = 0;j <= word2.size(); j++){
dp[0][j] = j;
}
//递推dp
for(int i = 1;i <= word1.size(); i++) {
for(int j = 1;j <= word2.size(); j++){
if(word1[i-1]==word2[j-1])//如果相等,则不需要删除,和上一步一样.
{
dp[i][j] = dp[i-1][j-1];
}else{
dp[i][j] = min({dp[i-1][j-1]+2,dp[i-1][j]+1,dp[i][j-1]+1});//word1,word2都删除, word1删除,word2删除. 取个最小值
}
}
}
return dp[word1.size()][word2.size()];
}
以上相关题解来源于卡尔大佬的代码随想录
如果有收获!!! 希望老铁们来个三连,点赞、收藏、转发。
创作不易,别忘点个赞,可以让更多的人看到这篇文章,顺便鼓励我写出更好的博客