动态规划之子序列问题（C++力扣题解）

完整版内容：

代码随想录代码随想录PDF，代码随想录百度网盘，代码随想录知识星球，代码随想录八股文PDF，代码随想录刷题路线，代码随想录知识星球八股文https://www.programmercarl.com/0674.%E6%9C%80%E9%95%BF%E8%BF%9E%E7%BB%AD%E9%80%92%E5%A2%9E%E5%BA%8F%E5%88%97.html#_674-%E6%9C%80%E9%95%BF%E8%BF%9E%E7%BB%AD%E9%80%92%E5%A2%9E%E5%BA%8F%E5%88%97题解仅为自我回顾

---

 

目录

1：最长连续递增序列

2：最长递增子序列

3:最长重复子数组

4：最长公共子序列

5：不相交的线

6：最大子序和

7：判断子序列

8：两个字符串的删除操作

9：编辑距离（困难就这？？？）

10:回文子串

11：最长回文子序列

---

1：最长连续递增序列

动态规划思路：

（1）确定dp数组的含义：以i为结尾的最长来连续递增序列

（2）在一个数组中由于我们要求的是连续递增，所以对于相邻的两个数字有两种情况

········1：当nums[i-1]<nums[i]时，那么我们就知道nums[i]这个点时满足条件的，

所以递推公式为：dp[i]=dp[i-1]+1   （新的最长序列=上一个最长序列+满足条件的这个点）

·······2：当nums[i-1]>=nums[i]时，不满足题目所求，可以不用管

（3）dp数组的初始化：由于单个字符也算是一个连续递增的序列，长度为1，所以初始化dp数组为：1

（4）数组的遍历顺序：由递推公式可知，dp[i]仅由dp[i-1]推出，所以是从左向右遍历数组

（5）返回值：结合dp数组的定义可知，dp数组的最后一个数并不一定是那个最大的数，因为会存在[1,3,5,4,7]这种情况，映射到dp数组就是[1,2,3,1,2]  所以我们需要用一个变量来记录dp数组的最大值

 动态规划：

class Solution {
public:
    int findLengthOfLCIS(vector<int>& nums) {
        if (nums.empty()) return 0;
        int result = 1;
        vector<int> dp(nums.size() ,1);
        for (int i = 0; i < nums.size() - 1; i++) {
            if (nums[i + 1] > nums[i]) { 
                dp[i + 1] = dp[i] + 1;
            }
            if (dp[i + 1] > result) result = dp[i + 1];
        }
        return result;
    }
};

解释：在dp数组的开辟大小，for循环i的其实大小，以及递推公式+1 -1的变化，调换都是可以的，小心越界问题即可

另外提一下贪心算法：（局部最优解映射到全局最优解）

class Solution {
public:
    int findLengthOfLCIS(vector<int>& nums) {
        if (nums.size() == 0) return 0;
        int result = 1; // 连续子序列最少也是1
        int count = 1;
        for (int i = 0; i < nums.size() - 1; i++) {
            if (nums[i + 1] > nums[i]) { 
                count++;
            } else { // 不连续，count从头开始
                count = 1;
            }
            if (count > result) result = count;
        }
        return result;
    }
};

解释：当nums[i+1]>nums[i]时，符合条件，计数器++，否则不满足条件count重新从1开始计数

同时记录count的最大值

---

2：最长递增子序列

 动态规划思路：

这道题与上题不同的地方在于：上题要求的是连续递增，但是本题要求的是可连续可不连续，也就是可删除和可不删除的意思，那么一次最大的区别就在于：我们不能仅仅比较两个相邻的位置，而是用i遍历数组，并且再用j遍历一遍从0到i的位置，如果发现有数字比nums[i]小，那么很显然最长递增子序列的长度要++，好了其实也就这么点改变而已

（1）dp数组的含义：i位置下，递增序列的最大长度

（2）与上题相同仍是对于数字有两种情况

·····1：当nums[j]<nums[i]，那么就要把这个位置的点加到i位置下的最长递增子序列

                                            dp[i]=max(dp[i],dp[j]+1)   

因为这个点可能不止会被用到一次，所以我们需要记录它的最大值

·····2：当nums[j]>nums[i]时，不用去管它

（3）dp数组的初始化，由定义我们可知，自己本身也算长度为1的最长递增子序列

（4）dp数组的遍历顺序：由递推公式+分析可知：dp数组由前向后退出来，所以外层用i正序遍历数组，内层用j正序遍历，i为它遍历的终点

（5）返回值：与上题同理，最后一个数字可能用不上 （当它为数组中最小的值时）

所以我们需要一个变量来记录dp数组的最大值res;

class Solution {
public:
    int lengthOfLIS(vector<int>& nums) {
        if (nums.size() <= 1) return nums.size();
        vector<int> dp(nums.size(), 1);
        int result = 0;
        for (int i = 1; i < nums.size(); i++) {
            for (int j = 0; j < i; j++) {
                if (nums[i] > nums[j]) dp[i] = max(dp[i], dp[j] + 1);
            }
            if (dp[i] > result) result = dp[i]; // 取长的子序列
        }
        return result;
    }
};

---

3:最长重复子数组

 思路解析

首先我们要明白：这是必须要求连续的情况

（1）dp[i][j] ：以下标i - 1为结尾的A，和以下标j - 1为结尾的B，最长重复子数组长度为dp[i][j]

（2）递推公式：结合定义可知,我们需要拿A,B两个字符串进行比较，那么就会产生两种情况

······1：当A[i-1]==B[j-1]时，为什么时i-1 和 j-1 ？   注意看定义！！！

既然找到了相同的字母，那么根据定义我们应该让最长重复子数组的长度+1

所以递推公式为：dp[i][j]=dp[i-1][j-1]+1

``````2：当A[i-1]!=B[j-1]时，同理，没啥软用

（3)dp数组的初始化：当dp[0][0]时，说明两者的字符串都为空，那么公共的部分也为空：0

当dp[i][0]时，说明A字符串有东西，B字符串为空，那么同样公共的部分也为空：0

当dp[0][j]时，与上同理 均为空              所以我们只需把dp数组初始化为0即可

（4）dp数组的遍历顺序：结合定义我们发现dp[i][j]都是由dp[i-1][j-1]推出来的，所以必然时正序遍历，那么就是外层遍历A字符串，内层循环遍历B字符串，当然了，内外层交换顺序也可

（5）返回值：同理最后一个未必用到，用一个变量res去记录dp数组中的最大值

class Solution {
public:
    int findLength(vector<int>& A, vector<int>& B) {
        vector<vector<int>> dp (A.size() + 1, vector<int>(B.size() + 1, 0));
        int result = 0;
        for (int i = 1; i <= A.size(); i++) {
            for (int j = 1; j <= B.size(); j++) {
                if (A[i - 1] == B[j - 1]) {
                    dp[i][j] = dp[i - 1][j - 1] + 1;
                }
                if (dp[i][j] > result) result = dp[i][j];
            }
        }
        return result;
    }
};

---

4：最长公共子序列

 思路解析：

与上题不同的是本题要求的是可删除或可不删除，其实就是和第二题差不多，只是这里换成了字符串的匹配问题

（1）dp[i][j]：长度为[0, i - 1]的字符串text1与长度为[0, j - 1]的字符串text2的最长公共子序

（2）递推公式：与上题同理，对于字母来说，仍然是只有两种情况

······1：当text1[i-1]==text2[j-1]时：那么就把这个点+上一个最长公共子序列中

                dp[i][j=dp[i-1][j-1]+1;

······2：当text1[i-1]!=text2[j-1]时：那就看看text1[0, i - 2]与text2[0, j - 1]的最长公共子序列 和 text1[0, i - 1]与text2[0, j - 2]的最长公共子序列，取最大的。

               dp[i][j] = max(dp[i - 1][j], dp[i][j - 1]);

（3）dp数组初始化：dp[0][0]表示两个空的字符串，公共部分为空，所以为0；

同理dp[i][0]和dp[0][j]均初始化为0

（4）遍历顺序：由递推公式可知，dp[i][j]均有前一个或其前一个的对角线推出来

所以是正序遍历，外层text1，内层text2（当然也可以相反）

（5）返回值：由于不是连续的，且其中一个字符串的末尾必须要用到，所以必然有一个dp[i][j]的填的是字符串的长度，接下来结合可删除这个性质，那么我们也可以选择放两个字符串的长度进去，反正是可删除，所以多余的末尾并不会进行计数

class Solution {
public:
    int longestCommonSubsequence(string text1, string text2) {
    vector<vector<int> >dp(text1.size() + 1, vector<int>(text2.size() + 1, 0));
	for (int i = 1; i <= text1.size(); i++)
	{
		for (int j = 1; j <= text2.size(); j++)
		{
			if (text1[i - 1] == text2[j - 1])
			{
				dp[i][j] = max(dp[i - 1][j - 1] + 1,dp[i][j]);
			}
			else
			{
				dp[i][j] = max(dp[i - 1][j], dp[i][j - 1]);
			}
		}
	}

	return dp[text1.size()][text2.size()];
    }
};

---

5：不相交的线
 

 

 思路解析：

直线不能相交，这就是说明在字符串A中 找到一个与字符串B相同的子序列，且这个子序列不能改变相对顺序，只要相对顺序不改变，链接相同数字的直线就不会相交

 其实就是上一题的答案………………只要相对顺序不变，其他的无关字符随便

class Solution {
public:
    int maxUncrossedLines(vector<int>& A, vector<int>& B) {
        vector<vector<int>> dp(A.size() + 1, vector<int>(B.size() + 1, 0));
        for (int i = 1; i <= A.size(); i++) {
            for (int j = 1; j <= B.size(); j++) {
                if (A[i - 1] == B[j - 1]) {
                    dp[i][j] = dp[i - 1][j - 1] + 1;
                } else {
                    dp[i][j] = max(dp[i - 1][j], dp[i][j - 1]);
                }
            }
        }
        return dp[A.size()][B.size()];
    }
};

---

6：最大子序和

 贪心做法：

只要前一个数>0，那么我就让它上车，如果<0，我就不让它上车，因为如果上车一个负数的值，就会导致我的数减少，那么解释的有负数是什么情况？是因为它的前一个数+它本身=3是个正数以此那么，我们就用res来记录最大值即可，因为所有的和会汇聚在一个数的身上

class Solution {
public:
    int maxSubArray(vector<int>& nums) {
    int res=nums[0];//注意：因为当整个数组都是负数的时候，就很尴尬了
    if(nums.size()==1) return nums[0];
    for(int i=1;i<nums.size();i++)
    {
        if(nums[i-1]>0)
        {
            nums[i]+=nums[i-1];
        }
        res=max(res,nums[i]);
    }
    return res;
    }
};

动态规划做法：

（1）dp[i]：包括下标i之前的最大连续子序列和为dp[i]

（2）递推公式：dp[i]=max(dp[i],dp[i-1]+nums[i])

（3）dp数组初始化：当dp[0]时，包括0下拨之前的最大子序列和，即是nums[0]

（4）遍历顺序：从前向后

（5）同理：最后的不一定是最大的，因为最后面那个数万一是-很多呢，所以需要一个数去记录dp数组的最大值

class Solution {
public:
    int maxSubArray(vector<int>& nums) {
        if (nums.size() == 0) return 0;
        vector<int> dp(nums.size());
        dp[0] = nums[0];
        int result = dp[0];
        for (int i = 1; i < nums.size(); i++) {
            dp[i] = max(dp[i - 1] + nums[i], nums[i]); // 状态转移公式
            if (dp[i] > result) result = dp[i]; // result 保存dp[i]的最大值
        }
        return result;
    }
};

---

7：判断子序列

 双指针做法：

将i指针指向s字符串，将j指针指向t字符串，如果两者相等，则让i++，每轮循环让j++,

如果i==s.length，就说明i已经走完了s字符串，即t中有i

class Solution {
public:
    bool isSubsequence(string s, string t) {
    int n = s.length();
	int m = t.length();
	int i = 0, j = 0;
	while (i < n && j < m)
	{
		if (s[i] == t[j])
		{
			i++;
		}
		j++;
	}
	return i == n;
    }
};

---

动态规划做法：

（1）dp[i][j] 表示以下标i-1为结尾的字符串s和以下标j-1为结尾的字符串t，相同子序列长度

（2）状态转移方程：同样是有两种情况：字母匹配和字母不匹配

字母匹配：dp[i][j]=dp[i-1][j-1]+1

字母不匹配：dp[i][j]=dp[i][j-1]，相当于把t[j-1]这个字母删除，那么dp[i][j] 的数值就是 看s[i - 1]与 t[j - 2]的比较结果了，即：dp[i][j] = dp[i][j - 1];

（3）dp数组的初始化：dp[0][0]空即0，dp[i][0]空为0，同理

（4）遍历顺序：从前往后，s在外层，t在内层（注意：这个顺序不能改变）

（5）返回值：dp[i][j]的i位置必然是s.size()，因为用到了s的最后一位，那么对于字符串t呢，也要取最后一位，因为字母是可以删除的，你可以没有用，反正我也不计入相同子序列长度

class Solution {
public:
    bool isSubsequence(string s, string t) {
        vector<vector<int>> dp(s.size() + 1, vector<int>(t.size() + 1, 0));
        for (int i = 1; i <= s.size(); i++) {
            for (int j = 1; j <= t.size(); j++) {
                if (s[i - 1] == t[j - 1]) dp[i][j] = dp[i - 1][j - 1] + 1;
                else dp[i][j] = dp[i][j - 1];
            }
        }
        if (dp[s.size()][t.size()] == s.size()) return true;
        return false;
    }
};

解释：最后看dp的最大值是否等于s字符串的长度即可

---

8：两个字符串的删除操作

 思路解析：

(1)dp[i][j]：以i-1为结尾的字符串word1，和以j-1位结尾的字符串word2，想要达到相等，所需要删除元素的最少次数

(2)递推公式：两种可能 ： 字母相等 和字母不相等

字母相等：那么就等于上一个的情况，因为不用动= =

dp[i][j]=dp[i-1][j-1]

字母不相等：有三种情况：1.删word1的字母，2.删word2的字母，3.两个都删

情况一：删word1[i - 1]，最少操作次数为dp[i - 1][j] + 1

情况二：删word2[j - 1]，最少操作次数为dp[i][j - 1] + 1

情况三：同时删word1[i - 1]和word2[j - 1]，操作的最少次数为dp[i - 1][j - 1] + 2

取最小值即可

(3)dp数组初始化：不讲了，倦了，0

（4）遍历顺序：不讲了，倦了，从前向后，内外层顺序可颠倒

（5）返回值：不讲了，倦了，dp两个字符串的长度

class Solution {
public:
    int minDistance(string word1, string word2) {
        vector<vector<int>> dp(word1.size() + 1, vector<int>(word2.size() + 1));
        for (int i = 0; i <= word1.size(); i++) dp[i][0] = i;
        for (int j = 0; j <= word2.size(); j++) dp[0][j] = j;
        for (int i = 1; i <= word1.size(); i++) {
            for (int j = 1; j <= word2.size(); j++) {
                if (word1[i - 1] == word2[j - 1]) {
                    dp[i][j] = dp[i - 1][j - 1];
                } else {
                    dp[i][j] = min({dp[i - 1][j - 1] + 2, dp[i - 1][j] + 1, dp[i][j - 1] + 1});
                }
            }
        }
        return dp[word1.size()][word2.size()];
    }
};

---

9：编辑距离（困难就这？？？）

 思路解析：

（1）dp[i][j] 表示以下标i-1为结尾的字符串word1，和以下标j-1为结尾的字符串word2，最近编辑距离

（2）递推公式： 两种情况

当字母相等时：dp[i][j]=dp[i-1][j-1]

当字母不相等时：有三种操作：增删改

其实增可以替换为删：对一个字符串增的效果相当于另外一个字符串减

改可以替换为：同时删除最后这个字母，又同时加上这个目标字母

增：dp[i][j] = dp[i - 1][j] + 1;

删：dp[i][j] = dp[i][j - 1] + 1；

改：dp[i][j] = dp[i - 1][j - 1] + 1;

三者取最小值即可

（3）dp数组的初始化：当两个都为空时，那么操作数就是0  dp[0][0]=0;

但是当有一个不为空时：dp[i][0]=i ，将它变为空，需要有i个操作

同理dp[0][j]=j

（4）结合递推公式：从前向后，内外层随意

（5）返回：dp  两个字符串的长度

class Solution {
public:
    int minDistance(string word1, string word2) {
        vector<vector<int>> dp(word1.size() + 1, vector<int>(word2.size() + 1, 0));
        for (int i = 0; i <= word1.size(); i++) dp[i][0] = i;
        for (int j = 0; j <= word2.size(); j++) dp[0][j] = j;
        for (int i = 1; i <= word1.size(); i++) {
            for (int j = 1; j <= word2.size(); j++) {
                if (word1[i - 1] == word2[j - 1]) {
                    dp[i][j] = dp[i - 1][j - 1];
                }
                else {
                    dp[i][j] = min({dp[i - 1][j - 1], dp[i - 1][j], dp[i][j - 1]}) + 1;
                }
            }
        }
        return dp[word1.size()][word2.size()];
    }
};

---

10:回文子串

 暴力方法：（双指针+回文串的判断）

class Solution {
public:
    bool check(string s,int left,int right)
    {
        if(left==right) return true;
        bool flag=true;
        while(left<right)
        {
            if(s[left]!=s[right])
            {
                flag=false;
                break;
            }
            left++;
            right--;
        }
        return flag;
    }
    int countSubstrings(string s) {
    int res=0;
    for(int i=0;i<s.size();i++)
    {
        for(int j=i;j>=0;j--)
        {
            if(check(s,j,i))
            {
                res++;
            }
        }
    }
    return res;
    }
};

动态规划：

（1）布尔类型的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   

（2）递推公式    如果字母相等   和 字母不相等

字母不相等：false

字母相等时：

• 情况一：下标i 与 j相同，同一个字符例如a，当然是回文子串
• 情况二：下标i 与 j相差为1，例如aa，也是文子串
• 情况三：下标：i 与 j相差大于1的时候，例如cabac，此时s[i]与s[j]已经相同了，我们看i到j区间是不是回文子串就看aba是不是回文就可以了，那么aba的区间就是 i+1 与 j-1区间，这个区间是不是回文就看dp[i + 1][j - 1]是否为true

• 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;
      }
  }

（3）初始化问题：将dp数组初始化为false，就不用考虑相等的情况了

  (4)遍历顺序：由递推公式dp[i+1][j-1]可知，i是从下往上得出的结果，j是从左往右得出的结果，所以从下到上遍历s，从左到右遍历s

(5)返回值，题目要求的是回文个数，所以我们已经用了dp数组来记录bool了，我们还需要一个变量来记录回文个数

class Solution {
public:
    int countSubstrings(string s) {
        vector<vector<bool>> dp(s.size(), vector<bool>(s.size(), false));
        int result = 0;
        for (int i = s.size() - 1; i >= 0; i--) {  // 注意遍历顺序
            for (int j = i; j < s.size(); j++) {
                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;
                    }
                }
            }
        }
        return result;
    }
};

---

11：最长回文子序列

 思路解析：回文子序列不一定要求连续

代码随想录代码随想录PDF，代码随想录百度网盘，代码随想录知识星球，代码随想录八股文PDF，代码随想录刷题路线，代码随想录知识星球八股文https://www.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#%E6%80%9D%E8%B7%AF

---