算法导论,动态规划 —— 最长公共子序列问题（LCS）优化python示例

# coding=utf-8
# 计算LCS长度算法    算法 改进    只用 一行 和 一个 额外空间 求得长度   空间复杂度由O(m*n)降低为O(n)
# 空间优化。观察状态转移方程，计算的F[i,j]时只和F[i-1,j-1]，F[i,j-1]，F[i-1,j]三个元素直接相关。
# 仔细分析一下，在递推F[i]这一行的子问题时，只需要知道F[i-1]一行的值和当前计算的F[i,j]的前一个元素的值f[i,j-1]即可，于是空间复杂度由O(m*n)降低为O(n)。
#                               核心思想
# 初始化一个长m+1全0的序列base[]，一个为0的递推前导front和一个当前计算元素pre(意义上的F[i,j])，
# 每次计算完F[i,j]后，front的值更新到base[j-1]上，然后把pre更新到front上，然后向后扫描……注意一行最后一个元素的更新！
# 这样迭代n次，最后base[m]的值即LCS的值！


def lcsLength(x, y):
    m = len(x) + 1
    n = len(y) + 1
    length = min(m, n)
    # 存放箭头方向
    base = [0 for i in range(length)]
    # 已经全部初始化为 0 了   上↑  左←  左上↖
    for i in range(1, m):
        # 进入下一行时 front = 0
        front = 0
        for j in range(1, n):
            # 数组第一个 元素 下标为 0     front值上移成为下一行的上方值   pre值前移成为下一个的front值
            if x[i-1] == y[j-1]:
                pre = base[j-1] + 1
                base[j - 1] = front
                front = pre
            elif base[j] >= front:
                pre = base[j]
                base[j - 1] = front
                front = pre
            else:
                pre = front
                base[j - 1] = front
                front = pre
            # 因为base最后一个元素在判断中没被更新，所以一行循环结束时，单独把base末尾元素更新
            if j == n-1:
                base[j] = front
                print(base)
    return base[length - 1]


x = ['A', 'B', 'C', 'B', 'D', 'A', 'B']
y = ['B', 'D', 'C', 'A', 'B', 'A']
count = lcsLength(x, y)
print("其最长公共子序列长度为：", count)

转载于:https://my.oschina.net/xiaohuoer1995/blog/1600191