最长公共子序列
最长公共子序列(Longest Common Subsequence,简称 LCS)是一道非常经典的面试题目,因为它的解法是典型的二维动态规划,大部分比较困难的字符串问题都和这个问题一个套路,比如说编辑距离。而且,这个算法稍加改造就可以用于解决其他问题,所以说 LCS 算法是值得掌握的。
题目就是让我们求两个字符串的 LCS 长度:
输入: s1 = "babcde", s2 = "ace"
输出: 3
解释: 最长公共子序列是 "ace",它的长度是 3
为什么这个问题就是动态规划来解决呢?
因为子序列类型的问题,穷举出所有可能的结果都不容易,而动态规划算法做的就是穷举 + 剪枝。所以可以说只要涉及子序列问题,十有八九都需要动态规划来解决,往这方面考虑就对了。
下面就来分析一下,这道题目如何用动态规划技巧解决。
一、动态规划思路
第一步,一定要明确 dp
数组的含义。
对于两个字符串的动态规划问题,套路是通用的。
比如说对于字符串 s1
和 s2
,一般来说都要构造一个这样的 DP table:
s2/s1 | ‘’ | b | a | b | c | d | e |
---|---|---|---|---|---|---|---|
‘’ | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
a | 0 | 0 | 1 | 1 | 1 | 1 | 1 |
c | 0 | 0 | 1 | 1 | 2 | 2 | 2 |
e | 0 | 0 | 1 | 1 | 2 | 2 | 3 |
为了方便理解此表,我们暂时认为索引是从 1 开始的,待会的代码中只要稍作调整即可。其中,dp[i][j]
的含义是:对于 s1[1..i]
和 s2[1..j]
,它们的 LCS 长度是 dp[i][j]
。
比如上图的例子,d[2][4]
的含义就是:对于 “ac” 和 “babc”,它们的 LCS 长度是 2。我们最终想得到的答案应该是dp[3][6]
。
第二步,定义 base case。
我们专门让索引为 0 的行和列表示空串,dp[0][..]
和 dp[..][0]
都应该初始化为 0,这就是 base case。
比如说,按照刚才 dp 数组的定义,dp[0][3]=0
的含义是:对于字符串 ""
和 "bab"
,其 LCS 的长度为 0。因为有一个字符串是空串,它们的最长公共子序列的长度显然应该是 0。
第三步,找状态转移方程。
状态转移说简单些就是做选择,比如说这个问题,是求 s1
和 s2
的最长公共子序列,不妨称这个子序列为 lcs
。那么对于s1
和 s2</