LeetCode 72. 编辑距离动态规划详解

最新推荐文章于 2024-08-14 15:48:50 发布

Lentr0py

最新推荐文章于 2024-08-14 15:48:50 发布

阅读量851

点赞数 18

分类专栏： LeetCode 算法题文章标签： leetcode 动态规划算法

本文链接：https://blog.csdn.net/Lentr0py/article/details/141143542

版权

LeetCode 算法题专栏收录该内容

32 篇文章 0 订阅

订阅专栏

72. 编辑距离

72. 编辑距离

72. 编辑距离

题目来源

72. 编辑距离

题目分析

给定两个单词 word1 和 word2，计算将 word1 转换成 word2 所使用的最少操作数。可以对单词进行以下三种操作：

插入一个字符
删除一个字符
替换一个字符

题目难度

难度：困难

题目标签

标签：动态规划

题目限制

1 <= word1.length, word2.length <= 500
word1 和 word2 由小写英文字母组成。

解题思路

这道题可以使用动态规划的思想来解决。关键在于定义好状态转移方程。

问题定义：设 dp[i][j] 表示将 word1[0..i-1] 转换成 word2[0..j-1] 所需的最少操作数。最终我们要求的是 dp[word1.length][word2.length]。
状态转移：
- 如果 word1[i-1] == word2[j-1]，则不需要额外操作，dp[i][j] = dp[i-1][j-1]。
- 如果 word1[i-1] != word2[j-1]，则需要考虑三种操作：
  - 插入字符：dp[i][j] = dp[i][j-1] + 1
  - 删除字符：dp[i][j] = dp[i-1][j] + 1
  - 替换字符：dp[i][j] = dp[i-1][j-1] + 1
- 因此，dp[i][j] = min(dp[i-1][j], dp[i][j-1], dp[i-1][j-1]) + 1。
初始化：
- dp[i][0] 表示将 word1[0..i-1] 转换成空字符串的操作数，显然等于 i。
- dp[0][j] 表示将空字符串转换成 word2[0..j-1] 的操作数，显然等于 j。
最终结果：dp[word1.length][word2.length] 即为所求的最少操作数。

核心算法步骤

初始化：
- 创建一个大小为 (word1.length + 1) x (word2.length + 1) 的二维数组 dp，并将 dp[i][0] 和 dp[0][j] 初始化为 i 和 j。
状态转移：
- 遍历 word1 和 word2 的所有字符，根据字符是否相等更新 dp 数组。
输出结果：
- 返回 dp[word1.length][word2.length]，即 word1 转换为 word2 所需的最少操作数。

代码实现

以下是求解编辑距离问题的 Java 代码：

/**
 * 72. 编辑距离
 * @param word1 字符串1
 * @param word2 字符串2
 * @return 最少操作数
 */
public int minDistance(String word1, String word2) {
    int n = word1.length();
    int m = word2.length();
    char[] chars1 = word1.toCharArray();
    char[] chars2 = word2.toCharArray();
    int[][] dp = new int[n + 1][m + 1];
    
    for (int i = 0; i <= n; i++) {
        dp[i][0] = i;
    }
    for (int i = 0; i <= m; i++) {
        dp[0][i] = i;
    }
    
    for (int i = 0; i < n; i++) {
        for (int j = 0; j < m; j++) {
            if (chars1[i] == chars2[j]) {
                dp[i + 1][j + 1] = dp[i][j];
            } else {
                dp[i + 1][j + 1] = Math.min(Math.min(dp[i][j + 1], dp[i + 1][j]), dp[i][j]) + 1;
            }
        }
    }
    return dp[n][m];
}

代码解读

minDistance 方法：
- dp[i][j] 表示 word1[0..i-1] 和 word2[0..j-1] 的最小编辑距离。
- 如果 word1[i-1] 和 word2[j-1] 相等，则不需要操作，dp[i+1][j+1] = dp[i][j]。
- 否则，选择插入、删除或替换操作中最小的一个，dp[i+1][j+1] = min(dp[i][j+1], dp[i+1][j], dp[i][j]) + 1。

性能分析

时间复杂度：O(n * m)，其中 n 和 m 分别为 word1 和 word2 的长度。
空间复杂度：O(n * m)，因为我们使用了二维数组来存储中间结果。

测试用例

你可以使用以下测试用例来验证代码的正确性：

String word1 = "horse";
String word2 = "ros";
int result1 = minDistance(word1, word2);
System.out.println(result1);
// 输出: 3 (将 "horse" 转换为 "ros" 需要 3 步操作)

word1 = "intention";
word2 = "execution";
int result2 = minDistance(word1, word2);
System.out.println(result2);
// 输出: 5 (将 "intention" 转换为 "execution" 需要 5 步操作)