LeetCode刷题day60

爱编程的大李子

已于 2022-03-31 21:45:13 修改

阅读量357

点赞数 2

分类专栏： LeetCode刷题文章标签： leetcode c++ 动态规划

于 2022-03-31 21:44:54 首次发布

本文链接：https://blog.csdn.net/LXYDSF/article/details/123884416

版权

LeetCode刷题专栏收录该内容

69 篇文章 8 订阅

订阅专栏

文章目录

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：

53.最大子序和（动态规划）

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 $O (n)$

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
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]

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：

392.判断子序列

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：

392.判断子序列1

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：

392.判断子序列2

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：

115.不同的子序列

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：

583.两个字符串的删除操作1

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()];
}