2.动态规划–最长递增子序列
本文内容来自github:labuladong 的算法教程,学习完之后做的笔记,大家可以去github看一下写的非常好。
2.1 题目描述
输入一个无序的整数数组nums=[10,9,2,5,3,7,101,18],找到其中最长递增子序列的长度。
2.2 动态规划解法
动态规划的核心解法是数学归纳,类似的我们在设计动态规划的时候,不是需要一个dp数组吗?我们可以假设dp[0…i-1]已经被算出来了,然后我们需要知道如何通过这些结果计算dp[i]。
在这里最关键的问题就是如何定义dp,首先我们需要了解dp的含义,即dp[i]表示以nums[i]这个数结尾的最长递增子序列的长度,根据这个定义我们可以推出base case:dp[i]的初始值为1,因为以nums[i]结尾的最长递增子序列起码包含它自己。
算法的演进过程就是从i=0开始遍历数组,通过dp[0…i-1]来推导dp[i],最终的结果应该是dp数组中的最大值。
int res=0;
for (int i=0;i<dp.size();i++){
res = Math.max(res,dp[i]);
}
return res;
我们如何设计算法逻辑来正确计算每个dp[i]呢?
假设我们现在已经知道了dp[0…4]的结果,如何找到dp[5]就是我们的关键;假设现在想求dp[5],就是求以nums[5]结尾的最长递增子序列,nums[5] = 3,既然递增,只要找到前面比3小的子序列即可,然后把3接到最后,形成一个新的子序列,这个新的子序列+1:
for(int j=0;j<i;j++){
if(nums[i]>nums[j])
dp[i] = Math.max(dp[i],dp[j]+1);
}
然后dp[4],dp[3]我们就可以递归的算出来了:
for(int i=0;i<nums.length;i++){
for(int j=0;j<i;j++){
if(nums[i]>nums[j])
dp[i] = Math.max(dp[i],dp[j]+1);
}
}
结合刚才的base case我们可以写出完整代码:
int LengthOfList(in[] nums){
int[] dp = new int[nums.length];
Arrays.fill(dp,1);
for(int i=0;i<nums.length;i++){
for(int j=0;j<i;j++){
if(nums[i]>nums[j])
dp[i] = Math.max(dp[i],dp[j]+1);
}
}
int res = 0
for (int i=0;i<dp.size();i++){
res = Math.max(res,dp[i]);
}
return res;
}