最长公共子序列及打印&&最长公共子串
最长公共子序列题目描述
给定两个字符串str1和str2,输出连个字符串的最长公共子序列。如过最长公共子序列为空,则输出-1。
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: str1 = "abcde", str2 = "ace"
输出: 3
解释: 最长公共子序列是 "ace",它的长度是 3
肯定有读者会问,为啥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,它俩天生一对儿。所以可以说只要涉及子序列问题,十有***都需要动态规划来解决,往这方面考虑就对了。
下面就来手把手分析一下,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:
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。
这是动态规划最难的一步,不过好在这种字符串问题的套路都差不多,权且借这道题来聊聊处理这类问题的思路。
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中的每个字符,有什么选择?很简单,两种选择,要么在lcs中,要么不在。
这个「在」和「不在」就是选择,关键是,应该如何选择呢?这个需要动点脑筋:如果某个字符应该在lcs中,那么这个字符肯定同时存在于s1和s2中,因为lcs是最长公共子序列嘛。所以本题的思路是这样:
用两个指针i和j从后往前遍历s1和s2,如果s1[i]==s2[j],那么这个字符一定在lcs中;否则的话,s1[i]和s2[j]这两个字符至少有一个不在lcs中,需要丢弃一个。
求解:
引进一个二维数组c[][],用c[i][j]记录X[i]与Y[j] 的LCS 的长度,b[i][j]记录c[i][j]是通过哪一个子问题的值求得的,以决定搜索的方向。
我们是自底向上进行递推计算,那么在计算c[i,j]之前,c[i-1][j-1],c[i-1][j]与c[i][j-1]均已计算出来。此时我们根据X[i] = Y[j]还是X[i] != Y[j],就可以计算出c[i][j]。
问题的递归式写成:
回溯输出最长公共子序列过程:
算法分析:
由于每次调用至少向上或向左(或向上向左同时)移动一步,故最多调用(m + n)次就会遇到i = 0或j = 0的情况,此时开始返回。返回时与递归调用时方向相反,步数相同,故算法时间复杂度为Θ(m + n)。
代码实现:
``` java
public
class
LongCommonSequence {
/**
* 获得矩阵dp dp矩阵最右下角的值为两个序列的最长公共子序列的长度
*
* @param str1
* @param str2
* @return
*/
public
int
[][] get_dp(
char
[] str1,
char
[] str2) {
int
[][] dp =
new
int
[str1.length][str2.length];
dp[
0
][
0
] = str1[
0
] == str2[
0
] ?
1
:
0
;
for
(
int
i =
1
; i < str1.length; i++) {
dp[i][
0
] = Math.max(dp[i -
1
][
0
], str1[i] == str2[
0
] ?
1
:
0
);
}
for
(
int
j =
1
; j < str2.length; j++) {
dp[
0
][j] = Math.max(dp[
0
][j -
1
], str1[
0
] == str2[j] ?
1
:
0
);
}
for
(
int
i =
1
; i < str1.length; i++) {
for
(
int
j =
1
; j < str2.length; j++) {
dp[i][j] = Math.max(dp[i -
1
][j], dp[i][j -
1
]);
if
(str1[i] == str2[j]) {
dp[i][j] = Math.max(dp[i][j], dp[i -
1
][j -
1
] +
1
);
}
}
}
return
dp;
}
/**
* 通过dp矩阵求解最长公共子序列的过程 就是还原出当时如何求解dp的过程, 来自哪个方向的策略就朝哪个方向移动
*
* @param s1
* @param s2
* @return
*/
public
String lcse(String s1, String s2) {
if
(s1 ==
null
|| s2 ==
null
|| s1.equals(
""
) || s2.equals(
""
)) {
return
""
;
}
char
[] c1 = s1.toCharArray();
char
[] c2 = s2.toCharArray();
int
[][] dp = get_dp(c1, c2);
int
m = c1.length -
1
;
int
n = c2.length -
1
;
char
[] result =
new
char
[dp[m][n]];
int
index = result.length -
1
;
while
(index >=
0
) {
if
(n >
0
&& dp[m][n] == dp[m][n -
1
]) {
// 向左移动
n--;
}
else
if
(m >
0
&& dp[m][n] == dp[m -
1
][n]) {
// 向上移动
m--;
}
else
{
// 向左上方移动
result[index--] = c1[m];
m--;
n--;
}
}
return
String.valueOf(result);
}
public
static
void
main(String[] args) {
String str1 =
"abbzqaba"
;
String str2 =
"sababqcz"
;
LongCommonSequence l =
new
LongCommonSequence();
System.out.println(l.lcse(str1, str2));
}
}
```
最长公共子串题目描述
给定两个字符串str1和str2,输出两个字符串的最长公共子串,如果最长公共子串为空,输出-1
解析
## 最长公共子序列题目描述 给定两个字符串str1和str2,输出连个字符串的最长公共子序列。如过最长公共子序列为空,则输出-1。 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: str1 = "abcde", str2 = "ace" 输出: 3 解释: 最长公共子序列是 "ace",它的长度是 3 肯定有读者会问,为啥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,它俩天生一对儿。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。 下面就来手把手分析一下,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: ![img](https://uploadfiles.nowcoder.com/files/20200921/571302080_1600683222685_c84ab93c98c84730b3d2224a7425a47d.png) 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。** 这是动态规划最难的一步,不过好在这种字符串问题的套路都差不多,权且借这道题来聊聊处理这类问题的思路。 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中的每个字符,有什么选择?很简单,两种选择,要么在lcs中,要么不在。 ![img](https://uploadfiles.nowcoder.com/files/20200921/571302080_1600683222713_ebacf3cc821e46d8869818644fa335fd.png) 这个「在」和「不在」就是选择,关键是,应该如何选择呢?这个需要动点脑筋:如果某个字符应该在lcs中,那么这个字符肯定同时存在于s1和s2中,因为lcs是最长**公共**子序列嘛。所以本题的思路是这样: 用两个指针i和j从后往前遍历s1和s2,如果s1[i]==s2[j],那么这个字符**一定在lcs中**;否则的话,s1[i]和s2[j]这两个字符**至少有一个不在lcs中**,需要丢弃一个。
求解: 引进一个二维数组c[][],用c[i][j]记录X[i]与Y[j] 的LCS 的长度,b[i][j]记录c[i][j]是通过哪一个子问题的值求得的,以决定搜索的方向。 问题的递归式写成: ![在这里插入图片描述](https://uploadfiles.nowcoder.com/files/20200921/571302080_1600683222644_20190823185043417.PNG) 回溯输出最长公共子序列过程: ![在这里插入图片描述](https://uploadfiles.nowcoder.com/files/20200921/571302080_1600683224662_20190823185110191.PNG) ### 算法分析: ### 代码实现: ```java /** /** public static void main(String[] args) { ``` 这里的最大公共字串要求的字串是连续的。 ### 最长公共子串代码实现
//dp[i][j]代表 str1[0~i-1]和str2[0~j-1] 的最长公共子串的长度
|
最长公共子串代码实现
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 |
|