动态规划--最长不降子序列

 问题：给定一个序列，找出最长不将子序列，比如序列[3,18,7,14,10,12,23,41,16,24]的最长不将子序列是[3,7,10,12,23,41]。

 

解法：

对于我来说，一般一个解题的过程都会分好几个阶段，因为大脑计算的能力限制，第一个阶段中总是以完成任务为目标，也就是

用最少的程序的时间来完成，当然这时候就需要选择最为简单的解决方法：

 

（1）穷举法：

假设有一个函数max_incr_seq(a, i, j)，其功能是求出序列a中的从下标i到j的子序列（连续）的最长不将子序列，那么整个求解

过程可以用下面的伪代码来完成：

 

max_seq = [] /**空序列*/

 

for (i = 0; i < N; ++i)

{

for (j = i; j < N; ++j)

{

seq = max_incr_seq(a, i, j);

if seq > max_seq

{

max_seq = seq

} 

}

}

 

return max_seq

 

很明显这个算法很慢，因为函数max_incr_seq的本身至少要O(N)的复杂度，而这个实现中又带有两层循环，那么复杂度至少为O(N^3)

如果我们仔细观察上面的实现，会发现有很多冗余的地方，也就是计算又再次计算，这时候思路就应该转到如果利用已经计算好的结果来

进行下次计算。

当然要达到这个目的的话就应该有这么一个公式：S[i - 1, j] = f(S[i, j], a[i - 1])，其中S[i, j]表示a[i..j]中的最长不将子序列，再进一步的考虑，其实这时候就可以发现S[0, N-1] = f(S[1, N-1], a[0])。这里我们假设上述公式是存在的，可以得到以下伪代码：

for(i = N - 1; i >= 1; --i)

{

if (i == N - 1)

{

S[i, N - 1] = a[i]

}

 

S[i - 1, N - 1] = f(S[i, N -1])

}

 

好的，这样的方法确实是能够求出S[0, N-1]，但是求解函数f似乎变成一个艰巨的任务，为了节省时间和保证正确性，我们就得利用

现有的成熟的理论做为指导了，对于上述的实现给我么一个启发就是每次计算只做一次，并且这个计算的结果可以作为下次计算的输入。

 

(2)递归法：

在我们决定使用递归法的时候我们最需要考虑的就是...[未完待续]