dp--300. 最长递增子序列/medium 理解度C

1、题目

给你一个整数数组 nums ，找到其中最长严格递增子序列的长度。

子序列 是由数组派生而来的序列，删除（或不删除）数组中的元素而不改变其余元素的顺序。例如，[3,6,2,7] 是数组 [0,3,1,6,2,2,7] 的子序列。

 

示例 1：

输入：nums = [10,9,2,5,3,7,101,18]
输出：4
解释：最长递增子序列是 [2,3,7,101]，因此长度为 4 。

示例 2：

输入：nums = [0,1,0,3,2,3]
输出：4

示例 3：

输入：nums = [7,7,7,7,7,7,7]
输出：1

 

提示：

• 1 <= nums.length <= 2500
• -104 <= nums[i] <= 104

 

进阶：

• 你能将算法的时间复杂度降低到 O(n log(n)) 吗?

Related Topics

• 数组
• 二分查找
• 动态规划

2、题目分析

动态规划的解决套路可分为 2 步，①基于问题能定义出状态，②状态间具备动态规划的三个特性

①基于问题定义出状态：（参考该文完成分析：dp–139. 单词拆分 https://blog.csdn.net/fujuacm/article/details/135408092）

②状态间具备动态规划的三个特性（参考该文完成分析：dp–139. 单词拆分 https://blog.csdn.net/fujuacm/article/details/135408092）

1. 重复子问题且重复策略
   重复子问题：
2. 最优子结构
   重复策略&最优子结构：
3. 无后效性
   更前的状态不影响当前状态：
   后面的状态不影响当前状态：

3、解题步骤

dp五部曲
1.定义dp数组以及下标的含义
dp[i]，表示截止到第i个字符，最长递增子序列的长度

2.推导状态转移方程
dp[i] = Math.max(dp[0], dp[1],…, dp[i - 1]) nums[i] > nums[j]

3.初始化dp数组
dp数组，初始化为1，表示截止到自己，最长递增子序列长度为1，即子序列中只包括自己

4.确定遍历顺序（二维dp可以通过 状态转移方程+4宫格明确i、j遍历顺序）
i从1到n。即从第1个字符推导到最后1个字符

5.举例推导dp数组

4、复杂度最优解代码示例

    public int lengthOfLIS(int[] nums) {
        int[] dp = new int[nums.length]; // 用于存储以当前元素结尾的最长递增子序列的长度

        int maxLen = 0; // 用于记录最长递增子序列的长度

        for (int i = 0; i < nums.length; i++) {
            // 对于当前元素，遍历其前面的元素，如果前面元素严格小于当前元素，则当前元素集成该前面元素的最长递增子序列的长度
            for (int j = 0; j < i; j++) {
                if (nums[i] > nums[j]) {
                    dp[i] = Math.max(dp[i], dp[j]);
                }
            }
            // 当前元素的最长递增子序列的长度，加上当前元素自身
            dp[i]++;

            // 更新最长递增子序列的长度
            maxLen = Math.max(maxLen, dp[i]);
        }

        return maxLen;
    }

5、抽象与扩展

通用动态规划的解法，见标题二