Day48 力扣动态规划 : 647. 回文子串 ｜516.最长回文子序列 ｜动态规划总结篇

647. 回文子串

动态规划解决的经典题目，如果没接触过的话，别硬想 直接看题解。
https://programmercarl.com/0647.%E5%9B%9E%E6%96%87%E5%AD%90%E4%B8%B2.html

第一印象

有点点难看起来，直接看题解把。

看完题解的思路

dp

这道题比较特殊，之前做的题，dp数组的定义一般都是题目求什么，就定义成什么。

这样的话这道题应该定义成过dp[i] 为 下标i结尾的字符串有 dp[i]个回文串的话，我们会发现很难找到递归关系。

这道题的dp要定义成：dp[i][j]：表示区间范围[i,j] （注意是左闭右闭）的子串是否是回文子串，如果是dp[i][j]为true，否则为false。

请看VCR：

我们判断 i j的位置是不是相同的，如果是相同的，只要 i+1 到 j-1 是回文，那么 i 到 j 就是回文的。

所以我们可以找到一种递归关系：如果想要判断 [i, j] 是不是回文的，就要去看[i + 1, j - 1] 是不是回文的。

所以为了明确这种递归关系，我们的dp数组是要定义成一位二维dp数组。

递推公式

总体上分为两种：

• s[I] s[j] 两个元素相同
• s[I] s[j] 两个元素不相同
  这种情况肯定就直接 dp[i, j] 是false了，肯定不回文。

两个元素相同的情况就比较复杂一些
情况一：i 和 j 指向同一个元素，一定是回文的。
情况二：i 和 j 是挨着的，i + 1 = j 。比如 aa，bb这样的情况，肯定是回文的。
情况三：i 和 j 距离超过 1 了，j - i > 1。比如 acba，a和a相同，然后就需要去判断cb是不是回文的

if (s[i] == s[j]) {
    if (j - i <= 1) { // 情况一 和 情况二
        result++;
        dp[i][j] = true;
    } else if (dp[i + 1][j - 1]) { // 情况三
        result++;
        dp[i][j] = true;
    }
}

不用写不相等的情况了，因为初始化的时候就会默认都是 false。

初始化

全初始化为false，默认没有回文字串。

递归顺序

这道题的顺序就有说法了。

每个元素是用它左下角的元素推出来的。所以这个矩阵，行要从下向上遍历，列要从左到右遍历。

for (int i = s.size() - 1; i >= 0; i--) {  // 注意遍历顺序
    for (int j = i; j < s.size(); j++) {

实现中的困难

无

感悟

I 和 j 基于 i+1 和 j-1 很容易理解。

但是我有点不理解倒序这个过程，他要求倒序只是从矩阵角度去看的。

从逻辑角度感觉看不出什么。

也能吧，如果正序的话，比如 i 是第二个元素，j 是第五个元素。他们相同，就需要看第三个到第四个元素是不是回文的。

但是呢，还没遍历到第三个元素，因为 i 才遍历到第二个元素。

如果倒序呢，i 遍历到第二个元素的时候就会遍历过第三个元素了。

感觉其实也是把矩阵里的事情用场景描述一下。

主要还是下面手动模拟体验一下，确实巧妙啊，用bcb的例子举例子，写在右边了。

代码

class Solution {
    public int countSubstrings(String s) {
        int length = s.length();
        //dp
        int[][] dp = new int[length][length];
        int count = 0;

        //init

        //func
        for (int i = length - 1; i >= 0; i--) {
            for (int j = i; j < length; j++) {
                //当两个元素相同的时候才做，不相同就是默认的 0  不用管了
                if (s.charAt(i) == s.charAt(j)) {
                    //距离 0 和 1 肯定ture
                    if ( i == j || i + 1 == j) {
                    dp[i][j] = 1;
                    count++;
                    } else {
                        //依赖于内部是不是回文
                        dp[i][j] = dp[i + 1][j - 1];
                        //是回文就count++
                        if (dp[i][j] == 1) count++;
                    }
                }
  
            }
        }
        return count;
    }
}

516.最长回文子序列

647. 回文子串，求的是回文子串，而本题要求的是回文子序列， 大家要搞清楚两者之间的区别。 https://programmercarl.com/0516.%E6%9C%80%E9%95%BF%E5%9B%9E%E6%96%87%E5%AD%90%E5%BA%8F%E5%88%97.html

第一印象

上一道题是连续的，这道题是子序列，可以不连续。

上一道题 i j 相等的话，就看 i + 1 和 j - 1 是不是回文，是的话 I j 就是回文的，然后用count记录回文数量。

这道题我觉得应该是i j 相等的话， 看 i + 1 到 j - 1 所有子串里面谁是回文的，求出回文子串里最大的长度。然后用length记录+2。

也可以直接在dp数组里赋值最大长度，长度为0代表不是回文，有长度就代表是回文，而且还有长度是多少。

诶，那上一道题是不是也可以dp数组赋值个数呢？？等会试试

我先试试这道题。

我的尝试遇到的问题

我写出了代码，能跑过大部分测试用例，但是会超时，因为找内部最大的长度这个过程时间复杂度太高了。我相当于嵌套4层for循环了。

找内部最大这个事情，我是从最长递增子序列那道题影响过来的，每次从连续问题变成子序列问题的时候，我都想要去找内部最大，而连续就是找上一个就行。

class Solution {
    public int longestPalindromeSubseq(String s) {
        // dp
        int[][] dp = new int[s.length()][s.length()];
        int length = 0;

        //init

        //func 
        for (int i = s.length() - 1; i >= 0; i--) {
            for (int j = i; j < s.length(); j++) {
                if (s.charAt(i) == s.charAt(j)) {
                    if(i == j) {
                        dp[i][j] = 1;
                        length = Math.max(dp[i][j], length);
                    } else if (i + 1 == j) {
                        dp[i][j] = 2;
                        length = Math.max(dp[i][j], length);
                    } else {
                        int maxLength = 0;
                        //找内部最大的长度
                        for (int m = i + 1; m <= j - 1; m++) {
                            for (int n = m; n <= j - 1; n++) {
                                maxLength = dp[m][n] > maxLength ? dp[m][n] : maxLength;
                            }
                        }
                        //没找到回文的
                        if (maxLength == 0) {
                            dp[i][j] = 0;
                        } else {
                            //最大长度是内部最大的 + 2
                            dp[i][j] = maxLength + 2;
                            length = Math.max(dp[i][j], length);
                        }
                    }
                }
            }
        }
        // for (int i = 0; i < s.length(); i++) {
        //     for (int j = 0; j < s.length(); j++) {
        //         System.out.print(dp[i][j]);
        //     }
        //     System.out.println();
        // }
        //返回
        return length;
    }
}

看完题解的思路

dp

和我想的一样，记录这个情况下最长的长度。

递推公式

看一下题解吧，看看怎么优化呢。

我有点明白了，因为dp数组的含义是，i 和 j的时候，最长的回文子序列长度。

其实直接 dp[i][j] = dp[i + 1][j - 1] + 2; 就可以。但我为什么像上面那么做呢？

因为虽然dp数组定义为最长的长度，但是找到最长 这个逻辑、这个过程得有啊。

所以我就每次都去找内部的最长，再给到i j，这就是最长的。

但从dp数组含义出发，元素相同时，就可以像上面那样直接dp[i][j] = dp[i + 1][j - 1] + 2;

这样的话，找到最长的逻辑在哪呢？

答案是，在元素不相同的处理当中。

代码随想录的解释是

如果s[i]与s[j]不相同，说明s[i]和s[j]的同时加入 并不能增加[i,j]区间回文子序列的长度，那么分别加入s[i]、s[j]看看哪一个可以组成最长的回文子序列。

加入s[j]的回文子序列长度为dp[i + 1][j]。

加入s[i]的回文子序列长度为dp[i][j - 1]。

那么dp[i][j]一定是取最大的，即：dp[i][j] = max(dp[i + 1][j], dp[i][j - 1]);

这样就把寻找最长的逻辑转移到元素不相同的处理当中了。

if (s[i] == s[j]) {
    dp[i][j] = dp[i + 1][j - 1] + 2;
} else {
    dp[i][j] = max(dp[i + 1][j], dp[i][j - 1]);
}

初始化

要对对角线元素初始化，因为每个元素自己肯定是回文的。我觉得这个也可以像上一道题一样处理

//如果相等
if (s.charAt(i) == s.charAt(j)) {
    if(i == j) {
        dp[i][j] = 1;
        length = Math.max(dp[i][j], length);
    }  else {
        dp[i][j] = dp[i + 1][j - 1] + 2;
        length = Math.max(dp[i][j], length);
    }

这里我就没初始化，而是在递推公式里初始化了算是。

实现中的困难

无

感悟

我觉得我明白连续子序列 ---->> 零散子序列的操作了

之前受那道最长递增子序列影响颇深，导致我每次都想找最大。

其实应该对不相等的情况进行找最大，而相等的时候按 dp 数组含义可以直接写出来了。

还有一道题也是类似的，是编辑距离里面的某一道，我记不住了，不过还行，有比较深的体会了。

代码

class Solution {
    public int longestPalindromeSubseq(String s) {
        // dp
        int[][] dp = new int[s.length()][s.length()];
        int length = 0;

        //init

        //func 
        for (int i = s.length() - 1; i >= 0; i--) {
            for (int j = i; j < s.length(); j++) {
                //如果相等
                if (s.charAt(i) == s.charAt(j)) {
                    if(i == j) {
                        dp[i][j] = 1;
                        length = Math.max(dp[i][j], length);
                    }  else {
                        dp[i][j] = dp[i + 1][j - 1] + 2;
                        length = Math.max(dp[i][j], length);
                    }
                } else {
                    //如果不相等
                    dp[i][j] = Math.max(dp[i + 1][j], dp[i][j - 1]);
                }
            }
        }
        // for (int i = 0; i < s.length(); i++) {
        //     for (int j = 0; j < s.length(); j++) {
        //         System.out.print(dp[i][j]);
        //     }
        //     System.out.println();
        // }
        //返回
        return length;
    }
}

动态规划总结篇

https://programmercarl.com/%E5%8A%A8%E6%80%81%E8%A7%84%E5%88%92%E6%80%BB%E7%BB%93%E7%AF%87.html

总结可以直接看代码随想录了，我先做一下简单的总结。

动态规划感觉，一开始的一些题比较简单，属于用手就能模拟，比如爬楼梯那种，就给我一种数学归纳法的感觉。

后来到了背包问题，我觉得比较难理解，但我理解的还可以，做了不少总结。难在 dp 数组的理解、递推公式的理解、遍历顺序也会变。

然后打家劫舍，树形的打家劫舍不好弄，整体不算难。

股票问题，感觉很套路。难在 dp 数组的理解、递推公式的理解，遍历顺序就还好。

编辑距离，就是字符串上的一些操作，我也不理解为什么叫编辑距离。遍历顺序也是后面发生改变了。

最后就是回文子串的题。

dp问题给我的感觉就是每种问题五步走的难度是不一样的，大部分的都是难在

• dp数组的含义不会确定
• 递推公式关系找不到，这个我觉得是最关键的
• 遍历顺序不容易理解，其实遍历顺序也就正序逆序，两层for循环内外有没有区别（背包那里有区别）
• 初始化，绝大部分的初始化都是能一下子解决的，个别的偏难怪一些。
• 打印数组，这个其实就是通用操作了。

以上都是我过一遍脑子的回忆，下面去看看卡哥的总结。

动态规划基础

• 关于动态规划，你该了解这些！ (opens new window)
• 动态规划：斐波那契数 (opens new window)
• 动态规划：爬楼梯 (opens new window)
• 动态规划：使用最小花费爬楼梯 (opens new window)
• 动态规划：不同路径 (opens new window)
• 动态规划：不同路径还不够，要有障碍！ (opens new window)
• 动态规划：整数拆分，你要怎么拆？ (opens new window)
• 动态规划：不同的二叉搜索树 (opens new window)

背包问题

• 动态规划：关于01背包问题，你该了解这些！ (opens new window)
• 动态规划：关于01背包问题，你该了解这些！（滚动数组） (opens new window)
• 动态规划：分割等和子集可以用01背包！ (opens new window)
• 动态规划：最后一块石头的重量 II (opens new window)
• 动态规划：目标和！ (opens new window)
• 动态规划：一和零！ (opens new window)
• 动态规划：关于完全背包，你该了解这些！ (opens new window)
• 动态规划：给你一些零钱，你要怎么凑？ (opens new window)
• 动态规划：Carl称它为排列总和！ (opens new window)
• 动态规划：以前我没得选，现在我选择再爬一次！ (opens new window)
• 动态规划： 给我个机会，我再兑换一次零钱 (opens new window)
• 动态规划：一样的套路，再求一次完全平方数 (opens new window)
• 动态规划：单词拆分 (opens new window)
• 动态规划：关于多重背包，你该了解这些！ (opens new window)

打家劫舍

• 动态规划：开始打家劫舍！ (opens new window)
• 动态规划：继续打家劫舍！ (opens new window)
• 动态规划：还要打家劫舍！ (opens new window)

股票问题

• 动态规划：买卖股票的最佳时机 (opens new window)
• 动态规划：本周我们都讲了这些（系列六） (opens new window)
• 动态规划：买卖股票的最佳时机II (opens new window)
• 动态规划：买卖股票的最佳时机III (opens new window)
• 动态规划：买卖股票的最佳时机IV (opens new window)
• 动态规划：最佳买卖股票时机含冷冻期 (opens new window)
• 动态规划：本周我们都讲了这些（系列七） (opens new window)
• 动态规划：买卖股票的最佳时机含手续费 (opens new window)
• 动态规划：股票系列总结篇 (opens new window)

子序列问题

• 动态规划：最长递增子序列 (opens new window)
• 动态规划：最长连续递增序列 (opens new window)
• 动态规划：最长重复子数组 (opens new window)
• 动态规划：最长公共子序列 (opens new window)
• 动态规划：不相交的线 (opens new window)
• 动态规划：最大子序和 (opens new window)
• 动态规划：判断子序列 (opens new window)
• 动态规划：不同的子序列 (opens new window)
• 动态规划：两个字符串的删除操作 (opens new window)
• 动态规划：编辑距离 (opens new window)
• 为了绝杀编辑距离，我做了三步铺垫，你都知道么？ (opens new window)
• 动态规划：回文子串 (opens new window)
• 动态规划：最长回文子序列 (opens new window)

卡哥的dp结束语

关于动规，还有 树形DP（打家劫舍系列里有一道），数位DP，区间DP ，概率型DP，博弈型DP，状态压缩dp等等等，这些我就不去做讲解了，面试中出现的概率非常低。

能把本篇中列举的题目都研究通透的话，你的动规水平就已经非常高了。 对付面试已经足够

我的结束语

看来我的回忆也没什么错

因为dp内容太大了，这里也很难对所有的都进行一个总结。

如果有机会，我也学着去画画这种思维导图吧。

dp！ 完结！ 撒花！！！🎉