前言：
在算法的广袤天地中，动态规划犹如一颗璀璨的明珠，散发着独特的智慧光芒。而子序列问题，则是动态规划领域中极具代表性且应用广泛的重要板块。
每日练题，是我们在编程与算法学习之路上的坚实脚印。在深入探索动态规划的旅程里，子序列问题犹如一座充满挑战与奥秘的山峰等待我们攀登。通过对其细致入微的讲解与练习，我们将逐步揭开动态规划处理子序列问题的神秘面纱。无论是最长递增子序列那优雅的递推思路，还是公共子序列蕴含的巧妙状态转移，都将在我们的每日钻研中清晰呈现。
在这里，你将见证如何运用动态规划的思想，将看似复杂多变的子序列问题拆解为一个个可解的子任务，以精准的状态定义、合理的状态转移方程构建起高效的解题框架。每一道精心挑选的练习题，都是我们磨砺思维、提升算法能力的宝贵契机。让我们在每日练题中，沉浸式感受动态规划与子序列问题碰撞出的智慧火花，开启一场充实且富有成就感的算法学习之旅，为成为更卓越的编程者和算法高手奠定坚实的基础。
今日讲题：
1.最长递增子序列的个数
1.题目解析：
给定一个未排序的整数数组 nums ， 返回最长递增子序列的个数 。
注意 这个数列必须是 严格 递增的。
2.讲解算法原理
| 1 | 3 | 5 | 4 | 7 |
我们从头开始选，如果我们后一项大于前一项时，我们就开始统计这一串中的最长递增子序列。
例如我们拿到的第一串：1 - 3 - 5 - 7 我们记下这一串的长度 len = 4 ，当我们再次开始寻找时： 1 - 3 - 4 - 7 这时候我们就要判断和我们之前记得那组数据长度了：
1.如果（新子串的长度）Rmax == len 时 我们就让retcount++；
2. 如果（新子串的长度）Rmax <= len 时 可以忽略不计；
3. 如果（新子串的长度）Rmax >= len 时, 我们就要开始重新统计数量，并把之前统计的数量重新修改为初始值（1）即可 ；
1.状态表示：
由上所述：
我们只定义 dp[i] 表示:以i位置元素为结尾的所有的子序列中,最长递增子序列的个数 是不行的，
所以我们要定义：
len[i] 表示:以ì位置元素为结尾的所有的子序列中，最长递增子序列的"“长度"
count[i] 表示:以ì位置元素为结尾的所有的子序列中，最长递增子序列的“个数”
这两个状态表示来定义
2.状态转移表示：
1.当数组长度为 1 时 我们的 len[i] = 1
2.当数组长度不为1时 ：
如果我们后一项大于前一项时，我们就开始统计这一串中的最长递增子序列。
但是在实例2中我们可以看到如果 前后两个值相同时我们也要统计：
1.(后一项) len[j] + 1 ==（前一项）len[j] 时 count[i] += count[j];
2.当(后一项) len[j] + 1 >（前一项）len[j] 时, len[i] = len[j] + 1; count[i] = count[j];
3.初始化:
因为只有一个元素时，长度为一，所以我们把初始值都设为一，即可省略为1的这种情况，
4.填表顺序：
从左往右，两个表一起填
5.返回值：
返回统计的数字recount
3.编写代码
2. 最长数对链
1.题目解析
给你一个由 n 个数对组成的数对数组 pairs ，其中 pairs[i] = [lefti, righti] 且 lefti < righti 。
现在，我们定义一种 跟随 关系，当且仅当 b < c 时，数对 p2 = [c, d] 才可以跟在 p1 = [a, b] 后面。我们用这种形式来构造 数对链 。
找出并返回能够形成的 最长数对链的长度 。
你不需要用到所有的数对，你可以以任何顺序选择其中的一些数对来构造。
2.讲解算法原理
1.状态表示：
预处理:按照第一个元素排序即可
Arrays.sort(pairs,(a,b)-> a[0] - b[0]);
dp[i] 表示:以i位置元素为结尾的所有的子序列中,最长数对链的长度的个数
2.状态转移表示：
当我们所有元素按照第一个元素排序后，我们只需要判断后一项的第一个数字大于前一项的第二个数字即可：
if(pairs[i][0] > pairs[j][1]) 如果满足了，我们就加1，不满足就返回当前符合的元素个数：
dp[i] =Math.max( dp[j]+1,dp[i]);
3.初始化
表里面的所有值初始化为 1
4.填表顺序
从左往右
5.返回值
dp 表里面的最大值
3.编写代码
上期链接：
每日练题之动态规划（子序列问题讲解 1.最长递增子序列 2.摆动序列）-CSDN博客
下期预告：
感兴趣的小伙伴们可以先看看题呦，一起加油！！！
扫一扫
376
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
