动态规划：最长递增子序列

目录

前言

问题定义

思路

解题过程

状态定义

初始化

状态转移方程

计算结果

动态规划算法流程

复杂度

时间复杂度

空间复杂度

code

---

前言

        最长递增子序列（Longest Increasing Subsequence，简称 LIS）问题是动态规划领域的一个经典问题。这个问题要求在一个给定的整数序列中找到一个最长的递增子序列。这里的“递增”意味着子序列中的每个元素都比前一个元素大。

---

问题定义

        给你一个整数数组 nums ，找到其中最长严格递增子序列的长度。子序列 是由数组派生而来的序列，删除（或不删除）数组中的元素而不改变其余元素的顺序。例如，[3,6,2,7] 是数组 [0,3,1,6,2,2,7] 的子序列。 

示例 1：

输入：nums = [10,9,2,5,3,7,101,18]
输出：4
解释：最长递增子序列是 [2,3,7,101]，因此长度为 4 。

示例 2：

输入：nums = [0,1,0,3,2,3]
输出：4

示例 3：

输入：nums = [7,7,7,7,7,7,7]
输出：1

提示：

• 1 <= nums.length <= 2500
• -104 <= nums[i] <= 104

---

思路

        对于最长递增子序列（LIS）问题，我选用动态规划方法解题。这种方法适用于具有重叠子问题和最优子结构特性的问题，而LIS问题正好满足这两个条件。

---

解题过程

状态定义

        在动态规划中，我们定义 dp[i] 表示以第 i 个元素结尾的最长递增子序列的长度。这个状态可以由更小的子问题推导出来。

初始化

        由于每个元素自身可以构成一个长度为1的递增子序列，我们可以初始化 dp 数组的所有元素为1。

状态转移方程

        对于每个 i（从1到 n-1），我们检查 i 之前的所有元素 j（从0到 i-1）。如果 nums[j] < nums[i]，则 nums[i] 可以接在 j 的后面形成一个更长的递增子序列。此时，更新 dp[i] 为 max(dp[i], dp[j] + 1)。

计算结果

        遍历结束后，dp 数组中的最大值就是整个数组的最长递增子序列的长度。

---

动态规划算法流程

1. 初始化 dp 数组，长度与输入数组相同，所有元素设为1。
2. 遍历数组，对于每个元素 nums[i]：对于 j 从0到 i-1：如果 nums[j] < nums[i]，则尝试更新 dp[i]。
3. 计算 dp 数组中的最大值，即为所求的最长递增子序列的长度。

---

复杂度

时间复杂度

  O(n^2)，其中 n 是输入数组的长度。这是因为我们有两层嵌套循环，外层循环遍历数组的所有元素，内层循环用于查找可以构成递增子序列的元素。

空间复杂度

  O(n)，用于存储 dp 数组。

---

code

def lengthOfLIS(nums):
    if not nums:
        return 0
    
    n = len(nums)
    dp = [1] * n  # 初始化dp数组
    
    # 动态规划填表
    for i in range(1, n):
        for j in range(i):
            if nums[j] < nums[i]:
                dp[i] = max(dp[i], dp[j] + 1)
    
    # 求dp数组中的最大值
    return max(dp)