LeetCode-动态规划总结（三）

最长公共子序列

对于两个子序列 S1 和 S2，找出它们最长的公共子序列。

定义一个二维数组 dp 用来存储最长公共子序列的长度，其中 dp[i][j] 表示 S1 的前 i 个字符与 S2 的前 j 个字符最长公共子序列的长度。考虑 S1_i 与 S2_j 值是否相等，分为两种情况：

• 当 S1_i==S2_j 时，那么就能在 S1 的前 i-1 个字符与 S2 的前 j-1 个字符最长公共子序列的基础上再加上 S1_i 这个值，最长公共子序列长度加 1，即 dp[i][j] = dp[i-1][j-1] + 1。
• 当 S1_i != S2_j 时，此时最长公共子序列为 S1 的前 i-1 个字符和 S2 的前 j 个字符最长公共子序列，或者 S1 的前 i 个字符和 S2 的前 j-1 个字符最长公共子序列，取它们的最大者，即 dp[i][j] = max{ dp[i-1][j], dp[i][j-1] }。

综上，最长公共子序列的状态转移方程为：

对于长度为 N 的序列 S₁ 和长度为 M 的序列 S₂，dp[N][M] 就是序列 S₁ 和序列 S₂ 的最长公共子序列长度。

与最长递增子序列相比，最长公共子序列有以下不同点：

• 针对的是两个序列，求它们的最长公共子序列。
• 在最长递增子序列中，dp[i] 表示以 S_i 为结尾的最长递增子序列长度，子序列必须包含 S_i ；在最长公共子序列中，dp[i][j] 表示 S1 中前 i 个字符与 S2 中前 j 个字符的最长公共子序列长度，不一定包含 S1_i 和 S2_j。
• 在求最终解时，最长公共子序列中 dp[N][M] 就是最终解，而最长递增子序列中 dp[N] 不是最终解，因为以 S_N 为结尾的最长递增子序列不一定是整个序列最长递增子序列，需要遍历一遍 dp 数组找到最大者。

public int lengthOfLCS(int[] nums1, int[] nums2) {
   
    int n1 = nums1.length, n2 = nums2.length;
    int[][] dp = new int[n1 + 1][n2 + 1];
    for (int i = 1; i <= n1; i++) {
   
        for (int j = 1; j <= n2; j++) {
   
            if (nums1[i - 1] == nums2[j - 1]) {
   
                dp[i][j] = dp[i - 1][j - 1] + 1;
            } else {
   
                dp[i][j] = Math.max(dp[i - 1][j], dp[i][j - 1]);
            }
        }
    }
    return dp[n1][n2];
}

0-1 背包

有一个容量为 N 的背包，要用这个背包装下物品的价值最大，这些物品有两个属性：体积 w 和价值 v。

这张表是至底向上，从左到右生成的。只要你能手工填写出上面这张表就算理解了01背包的动态规划算法。

原理：定义一个二维数组 dp 存储最大价值，其中 dp[i][j] 表示前 i 件物品体积不超过 j 的情况下能达到的最大价值。设第 i 件物品体积为 w，价值为 v，根据第 i 件物品是否添加到背包中，可以分两种情况讨论：

• 第 i 件物品没添加到背包，总体积不超过 j 的前 i 件物品的最大价值就是总体积不超过 j 的前 i-1 件物品的最大价值，dp[i][j] = dp[i - 1][j]。
• 第 i 件物品添加到背包中，dp[i][j] = dp[i - 1][j - w] + v。

第 i 件物品可添加也可以不添加，取决于哪种情况下最大价值更大。因此，0-1 背包的状态转移方程为：

public int knapsack(int N, int W, int[] w, int[] v) {
   
    int[][] dp = new int[N + 1][W + 1];
        for (int i = 1; i <= N; i++) {
   
            int weight = w[i - 1], value = v[i - 1];
            for (int j = 1; j <= W; j++) {
   
                if (j >= weight) {
   
                    dp[i][j] = Math.max(dp[i - 1][j], dp[i - 1][j - weight] + value);
                } else {
   
                    dp[i][j] = dp[i - 1][j];
                }
            }
        }
        items = new int[N + 1];
        for (int i = 1; i <= N; i++) {
   
            for (