Minimum Path Sum
Given a m x n grid filled with non-negative numbers, find a path from top left to bottom right which minimizes
the sum of all numbers along its path.
Note: You can only move either down or right at any point in time.
题意
编辑距离(Edit Distance),又称Levenshtein距离,是指两个字串之间,由一个转成另一个所需的最少编辑操作次数。
许可的编辑操作包括将一个字符替换成另一个字符,插入一个字符,删除一个字符。一般来说,编辑距离越小,两个串的相似度越大。
例如将kitten转成sitting:
kitten->sitten (k→s)
sitten->sittin (e→i)
sittin->sitting (插入g)
俄罗斯科学家Vladimir Levenshtein在1965年提出这个概念。
思路
变的有4种方式:
解题思路:这道题是很有名的编辑距离问题。用动态规划来解决。状态转移方程是这样的:dp[i][j]表示word1[0…i-1]到word2[0…j-1]的编辑距离。
而dp[i][0]显然等于i,因为只需要做i次删除操作就可以了。同理dp[0][i]也是如此,等于i,因为只需做i次插入操作就可以了。
1
dp[i-1][j]变到dp[i][j]需要加1,因为word1[0…i-2]到word2[0…j-1]的距离是dp[i-1][j],而word1[0…i-1]到word2[0…i-2]
需要执行一次删除,所以dp[i][j]=dp[i-1][j]+1;同理dp[i][j]=dp[i][j-1]+1,因为还需要加一次word2的插入操作。
2
如果word[i-1]==word[j-1],则dp[i][j]=dp[i-1][j-1],如果word[i-1]!=word[j-1],那么需要执行一次替换replace操作,所以dp[i][j]=dp[i-1][j-1]+1。
总的难说难度蛮大的,dp不要混淆了。
python实现
class Solution:
def minDistance(self, word1, word2):
m = len(word1) + 1
n = len(word2) + 1
dp = [[0] * n for _ in range(m)]
for i in range(n):
dp[0][i] = i
for i in range(m):
dp[i][0] = i
for i in range(1, m):
for j in range(1, n):
dp[i][j] = min(dp[i - 1][j] + 1, dp[i][j - 1] + 1,
dp[i - 1][j - 1] + (0 if word1[i - 1] == word2[j - 1] else 1))
return dp[m - 1][n - 1]
if __name__ == '__main__':
so = Solution()
w1 = 'kitten'
w2 = 'sitting'
print(so.minDistance(w1, w2))