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


  • 1
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值