dp--1143. 最长公共子序列/medium 理解度C

1、题目

最长公共子序列（Longest Common Subsequence, LCS）问题是一个经典的计算机科学和算法设计问题。这个问题可以描述如下：

给定两个序列X和Y，我们的任务是找到这两个序列的一个最长的子序列，这个子序列不需要在原序列中连续出现，但必须保持元素的相对顺序。

例如，假设我们有两个序列：

X: A, B, C, D, E
Y: B, D, C, E, F

一个可能的最长公共子序列是B, C, E，长度为3。

2、题目分析

一种解决LCS问题的方法是使用动态规划。我们可以定义一个二维数组dp，其中dp[i][j]表示考虑X的前i个元素和Y的前j个元素时得到的最长公共子序列的长度。

状态转移方程为：

当X[i] == Y[j]时，dp[i][j] = dp[i-1][j-1] + 1
当X[i] != Y[j]时，dp[i][j] = max(dp[i-1][j], dp[i][j-1])
最终的答案将是dp[m][n]，其中m和n分别是序列X和Y的长度。

3、解题步骤

dp五部曲
1.定状态：（思考是否满足动规的3个特性）
dp数组：dp[n + 1][M + 1]；
下标的含义：i，j表示截止到A串的第i字符，及截止到B串的第j字符，两串的最长公共子序列

2.推方程（分场景推导方程）
若 A[i - 1] == B[j - 1]，dp[i][j] = dp[i - 1][j - 1] + 1; （若A串第i个字符、B串第j个字符相等，则当前2串的最长公共子序列 = A、B串各不包含i、j字符的子串的最长公共子序列 + 1，这里的加 1 是因为 i和j 相等）
若 若 A[i - 1] != B[j - 1]，dp[i][j] = max(dp[i][j - 1], dp[i - 1][j]) （若A串第i个字符、B串第j个字符 不相等，则当前2串的最长公共子序列 = max(A串不含i字符、B串含j字符, A串含i字符、B串不含j字符）

3.初始化
dp数组第0行、及第0列初始化为0，表示当另一个数组为空时，两者没有公共子序列

4.遍历
由第2点的状态转移方程可知，本状态可由3个方向的状态转移而来：左、上、左上。故i从小到大、j从小到大

5.举例

4、复杂度最优解代码示例

    public static int longestCommonSubsequence(String text1, String text2) {
    	int n = text1.length();
    	int m = text2.length();
        int[][] dp = new int[n + 1][m + 1];
        for (int i = 1; i <= n; i++) {
            for (int j = 1; j <= m; j++) {
                // 遍历2个串，处理dp数组
                if (text1.charAt(i - 1) == text2.charAt(j - 1)) {
                    // 1.如果串1第i个字符 = 串2第j个字符，则dp[i][j] = 串1不含i字符、串2不含j字符时的最长公共子序列长度 + 1
                    dp[i][j] = dp[i - 1][j - 1] + 1;
                } else {
                    // 2.如果串1第i个字符 != 串2第j个字符，则dp[i][j] = max(串1不含i字符、串2含j字符, 串1含i字符、串2不含j字符)时的最长公共子序列长度 + 1
                    dp[i][j] = Math.max(dp[i][j - 1], dp[i - 1][j]);
                }
            }
        }
        // 返回串1、串2截止到最后一个字符的最长公共子序列长度
        return dp[n][m];
    }

5、抽象与扩展

通用动态规划的解法，见标题二