day52 647. 回文子串 516.最长回文子序列

回文子串与子序列问题解析

647. 回文子串

给你一个字符串 s ,请你统计并返回这个字符串中 回文子串 的数目。

回文字符串 是正着读和倒过来读一样的字符串。

子字符串 是字符串中的由连续字符组成的一个序列。

示例 1:

输入:s = "abc"
输出:3
解释:三个回文子串: "a", "b", "c"

示例 2:

输入:s = "aaa"
输出:6
解释:6个回文子串: "a", "a", "a", "aa", "aa", "aaa"

class Solution:
    def countSubstrings(self, s: str) -> int:
        dp=[[False for i in range(len(s))] for i in range(len(s))]
        result=0
        for i in range(len(s)-1,-1,-1):
            for j in range(i,len(s)):
                if s[i]==s[j]:
                    if j-i<=1:
                        dp[i][j]=True
                        result+=1
                    elif dp[i+1][j-1]:
                        dp[i][j]=dp[i+1][j-1]
                        result+=1
        return result

516. 最长回文子序列

给你一个字符串 s ,找出其中最长的回文子序列,并返回该序列的长度。

子序列定义为:不改变剩余字符顺序的情况下,删除某些字符或者不删除任何字符形成的一个序列。

示例 1:

输入:s = "bbbab"
输出:4
解释:一个可能的最长回文子序列为 "bbbb" 。

示例 2:

输入:s = "cbbd"
输出:2
解释:一个可能的最长回文子序列为 "bb" 。

 

class Solution:
    def longestPalindromeSubseq(self, s: str) -> int:
        dp=[[0 for i in range(len(s))] for i in range(len(s))]
        for i in range(len(s)-1,-1,-1):
            for j in range(i,len(s)):
                if s[i]==s[j]:
                    if i==j:
                        dp[i][j]=1
                    elif j-i==1:
                        dp[i][j]=2
                    else:
                        dp[i][j]=dp[i+1][j-1]+2
                else:
                    dp[i][j]=max(dp[i+1][j],dp[i][j-1]) #不连续 所以不相等也可以记录
        return dp[0][-1]

<think>嗯,我现在想了解一下回文子串问题和最长回文子序列的区别。之前学过一些动态规划的知识,但这两个问题好像容易混淆,得仔细理清楚。 首先,回文子串应该是指连续的字符组成的回文,比如“abcba”中的“bcb”就是一个回文子串,对吧?而回文子序列可能不需要连续,只要字符顺序对称就行。比如在“abcda”里,最长回文子序列可能是“acda”或者类似的结构?不过具体例子可能需要再想想。 那它们的定义区别应该就是子串必须连续,子序列可以不连续。所以,在解决这两个问题的时候,算法上会有不同的处理方式。比如,动态规划的状态转移方程可能不一样。 比如回文子串的问题,我记得常用的方法可能是中心扩展法或者动态规划。比如用二维数组dp[i][j]表示从i到j是否为回文子串。如果是的话,当s[i]等于s[j]时,可能要看内部子串是否是回文。比如dp[i][j] = dp[i+1][j-1](当i+1到j-1是回文时)。但如果是子序列的话,可能即使i和j不相等,也要考虑选择左边或右边的结果,比如取dp[i+1][j]和dp[i][j-1]的最大值。 举个例子,最长回文子序列的动态规划解法。根据引用里的代码,当s[i]等于s[j]时,dp[i][j] = dp[i+1][j-1] + 2;如果不相等,则取dp[i+1][j]和dp[i][j-1]中的较大值。这样就能处理非连续的情况。而回文子串的动态规划可能只有当两端字符相等,并且中间子串是回文时,才标记为true,然后统计所有true的情况中的最长长度。 另外,回文子串的问题可能更关注连续的结构,所以像中心扩展法可能更高效,比如遍历每个可能的中心点,向两边扩展直到不匹配为止。而子序列的问题必须用动态规划或者其他方法处理非连续的情况。 还有,两者的应用场景可能不同。比如,子串可能用于查找具体的回文字符串,而子序列可能用于某些需要非连续匹配的场景,比如基因序列分析中的某些结构查找? 另外,时间复杂度上可能有差异。回文子串的动态规划解法是O(n²),而子序列的动态规划应该也是O(n²),但具体操作步骤可能不同。比如,子序列的dp数组填充可能需要特定的遍历顺序,比如i从后往前,j从i+1开始往后,像引用中的代码那样。 比如引用中的代码,最长回文子序列的动态规划解法中,循环是i从最后一个字符往前,j从i+1开始往后。这是因为计算dp[i][j]时需要先知道dp[i+1][j-1]、dp[i+1][j]、dp[i][j-1]的值,所以必须按这种顺序填充。 而回文子串的动态规划可能需要i从后往前,j从i到末尾,但判断条件更严格,需要s[i]==s[j]并且dp[i+1][j-1]为true。 总结起来,两者的主要区别在于子串要求连续,而子序列不要求。因此在动态规划的状态转移方程中,当两端字符不相同时,子序列需要取两边选择后的最大值,而子串则直接跳过这种情况,因为不连续的话无法形成更长的子串。 可能还需要注意边界条件的不同。例如,子序列的单个字符都是长度为1的回文,所以在初始化时每个dp[i][i] =1。而子串的初始化可能每个单个字符都是回文,所以dp[i][i] = true,同时两个相邻字符如果相同的话,dp[i][i+1] = true。 总的来说,回文子串和子序列的问题在定义、解法以及应用场景上都有明显差异,需要分别处理。</think>### 回文子串问题 vs 最长回文子序列的区别 #### 1. **定义差异** - **回文子串**:字符串中**连续字符**组成的回文序列。例如,字符串 `"abcba"` 的最长回文子串是 `"abcba"`,长度为5。 - **最长回文子序列**:字符串中**不要求连续**但保持相对顺序的回文序列。例如,字符串 `"abcda"` 的最长回文子序列是 `"acda"` 或 `"abda"`,长度为3。 #### 2. **算法实现差异** ##### **回文子串问题** - **动态规划思路**: - 定义 `dp[i][j]` 表示子串 `s[i..j]` 是否为回文。 - 状态转移方程: - 若 `s[i] == s[j]` 且 `j - i <= 1`,则 `dp[i][j] = true`。 - 若 `s[i] == s[j]` 且 `dp[i+1][j-1] == true`,则 `dp[i][j] = true`。 - 统计所有 `dp[i][j] == true` 的区间长度,取最大值。 - **中心扩展法**: - 遍历每个字符或相邻字符对作为中心,向两侧扩展直到不满足回文条件[^4]。 ##### **最长回文子序列问题** - **动态规划思路**: - 定义 `dp[i][j]` 表示子序列 `s[i..j]` 的最长回文长度。 - 状态转移方程: - 若 `s[i] == s[j]`,则 `dp[i][j] = dp[i+1][j-1] + 2`。 - 若 `s[i] != s[j]`,则 `dp[i][j] = max(dp[i+1][j], dp[i][j-1])`[^3]。 - 遍历顺序需从后往前,确保子问题已计算(如 `i` 从末尾开始,`j` 从 `i+1` 开始)。 #### 3. **时间复杂度与空间复杂度** - **回文子串**: - 动态规划:时间复杂度 $O(n^2)$,空间复杂度 $O(n^2)$。 - 中心扩展法:时间复杂度 $O(n^2)$,空间复杂度 $O(1)$。 - **最长回文子序列**: - 动态规划:时间复杂度 $O(n^2)$,空间复杂度 $O(n^2)$(可优化为 $O(n)$)。 #### 4. **应用场景** - **回文子串**:适用于需要连续对称结构的场景,如文本编辑器的拼写检查、DNA序列的连续回文识别。 - **最长回文子序列**:适用于非连续对称结构的场景,如基因序列分析、数据压缩中的模式匹配。 #### 5. **示例代码对比** - **回文子串**(动态规划): ```python def longest_palindrome_substring(s): n = len(s) dp = [[False] * n for _ in range(n)] max_len = 1 for i in range(n-1, -1, -1): for j in range(i, n): if s[i] == s[j]: if j - i <= 1 or dp[i+1][j-1]: dp[i][j] = True max_len = max(max_len, j-i+1) return max_len ``` - **最长回文子序列**(动态规划): ```python def longest_palindrome_subseq(s): n = len(s) dp = [[0] * n for _ in range(n)] for i in range(n-1, -1, -1): dp[i][i] = 1 for j in range(i+1, n): if s[i] == s[j]: dp[i][j] = dp[i+1][j-1] + 2 else: dp[i][j] = max(dp[i+1][j], dp[i][j-1]) return dp[0][n-1] ``` #### 表格总结 | **对比维度** | **回文子串** | **最长回文子序列** | |--------------------|----------------------------------|----------------------------------| | **连续性要求** | 必须连续 | 可不连续 | | **状态转移条件** | 依赖中间子串是否为回文 | 依赖左右子问题的最大值 | | **典型应用场景** | 文本对称性检测 | 基因序列分析 | | **初始化方式** | `dp[i][i] = True`(单字符回文) | `dp[i][i] = 1`(单字符长度为1) | ---
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值