前言: 动态规划概述
动态规划(Dynamic Programming)是一种设计的技巧,是解决多阶段决策过程最优化问题的通用方法。
1. 基本思想:
将待求解问题分解成若干个子问题,先求解子问题,然后从这些子问题的解得到原问题的解(这部分与分治法相似)。与分治法不同的是,适合于用动态规划求解的问题,经分解得到的子问题往往不是互相独立的。
若用分治法来解这类问题,则分解得到的子问题数目太多,有些子问题被重复计算了很多次。如果我们能够保存已解决的子问题的答案,而在需要时再找出已求得的答案,这样就可以避免大量的重复计算,节省时间。通常可以用一个表来记录所有已解的子问题的答案。不管该子问题以后是否被用到,只要它被计算过,就将其结果填入表中。这就是动态规划的基本思路。
2. 采用动态规划求解的问题需要具有两个特性:
最优子结构(Optimal Substructure):问题的一个最优解中所包含的子问 题的解也是最优的。
重叠子问题(Overlapping Subproblems):用递归算法对问题进行求解时,每次产生的子问题并不总是新问题,有些子问题会被重复计算多次。 问题具有最优子结构性质,我们才能写出最优解的递归方程;具有重叠子问题特性,我们才能通过避免重复计算来减少运行时间。 综上所述,动态规划的关键是 —— 记忆,空间换时间,不重复求解,从较小问题解逐步决策,构造较大问题的解。
最长公共子串(Longest Common Substring)与最长公共子序列(Longest Common Subsequence)的区别: 子串要求在原字符串中是连续的,而子序列则只需保持相对顺序,并不要求连续。
一. 最长公共子序列问题
描述:给定两个序列:X[1…m]和Y[1…n],求在两个序列中同时出现的最长子序列的长度。
例如,X和Y的序列如下:
二. LCS问题求解
方法1. 穷举法
求出 X 中所有子序列,看 Y 中是否存在该子序列。
复杂度分析:
X 有多少子序列 —— 2m 个
检查一个子序列是否在 Y 中 —— θ(n)
所以,穷举法在最坏情况下的时间复杂度是 θ(n * 2m)
方法2. 动态规划法
递归推导公式:
动态规划表:
代码:
动态规划解决LCS问题的时间复杂度为 θ(mn),空间复杂度是θ(mn),因为使用了一个动态规划表。
三. 根据动态规划表输出结果
参见文章 输出最大公共子序列