[LeetCode] 72. Edit Distance

本周算法课讲的是动态规划(dynamic programming)，所谓动态规划，就是把一个大的问题的求解转化为求解它的子问题。也就是说，首先需要定义目标的子问题，以子问题的解答支持大问题求解，先求出一系列子问题的解，最终即可求出大问题的解。针对动态规划这一算法，有很多经典的例子帮助我们更好的理解它，比如书上提到的编辑距离(Edit Distance)。因此，本周的题目就是来自LeetCode上面难度为Hard的72题Edit Distance。题目要打的代码不多，也很容易理解，关键难在算法的思想，即如何运用动态规划的思想求解编辑距离这一问题。

一、问题描述

二、问题分析

根据题目要求，一个操作是指删除，插入或者替换一个字符。而我们要求的目标是最少的操作次数，即编辑距离。如何思考这道题呢？首先，我们定义‘_’(空字符)也是一个字符，并且在两个单词中可以插入若干’_‘来达到最终两个单词长度一致。接着，思考这两个单词的最右边的字符(右对齐)，或者单词1有字符，单词2为‘_’，那么也就代表单词1需要1次删除操作才可以变到单词2；如果单词1为‘_’，单词2有字符，那么单词1的最后一位需要1次插入操作才可以变到单词2；如果单词1单词2最右边都有字符，那么又分为两种情况：字符相同，那么最后一位无需任何操作变化；字符不同，则需要1次替换操作。这样一来，整个问题可以表示为最后一位的操作+前面若干位的操作；而把这种划分继续下去，前面若干位的操作又可以变为前面最后一位的操作+前面的前面若干位的操作。。。这样就达到了我们动态规划的目标：划分子问题，以子问题的解来支持最终问题的求解。注意，我们还要定义一下基准，即最小子问题。定义空串与其他字符串的距离为x(字符串长度)，因此我们就有了伪代码：

三、问题求解

针对问题分析，以下是c++源代码：

---

class Solution {
public:
    int minDistance(string word1, string word2) {
        int m = word1.size(), n = word2.size();
        int result[m + 1][n + 1];
        for (int i = 0; i <= m; i++) {
        	result[i][0] = i;
        }
        for (int j = 1; j <= n; j++) {
        	result[0][j] = j;
        }
        for (int i = 1; i <= m; i++) {
        	for (int j = 1; j <= n; j++) {
        		result[i][j] = min3(result[i-1][j] + 1, result[i][j-1] + 1, result[i-1][j-1] + diff(word1[i-1], word2[j-1]));
        	}
        }
        return result[m][n];
    }

    int min3(int num1, int num2, int num3) {
    	return (num1 <= num2) ? (num1 <= num3 ? num1 : num3) : (num2 <= num3 ? num2 : num3);
    }

    int diff(char c1, char c2) {
    	return (c1==c2) ? 0 : 1;
    }
};