最近几天一直在看有关动态规划的算法,整理了一些常见案例,主要是求最长公共子序列,最长公共子串,最长递增子序列,最长回文子串,硬币的组合数,硬币的最少组合方法,最小编辑距离,背包问题(01背包,完全背包,多重背包)等方面的经典案例求解。
这些案例大部分都是用python实现的动态规划算法。
案例一:求最长公共子序列(不一定连续)
Q:给定两个序列,找出在两个序列中同时出现的最长子序列的长度。一个子序列是出现在相对顺序的序列,但不一定是连续的。
分析:
- 假设str1的长度为M,str2的长度为N,生成的大小为M*N的矩阵dp。dp[i][j]的含义是str[0...i]与str2[0...j]的最长公共子序列的长度。
- 矩阵dp第一列,即dp[i][0],代表str1[0...i]与str2[0]的最长公共子序列长度。str2[0]只有一个字符,所以dp[i][0]最大为1,如果str[i] == str2[0],则令dp[i][0]为1,一旦dp[i][0]被设为1,则令dp[i+1...M][0]全部为1
- 矩阵dp第一行,即dp[0][j],与步骤1同理。如果str1[0]==str[j],则令dp[0][j]为1,一旦dp[0][j]被设为1,则令dp[0][j+1...N]全部为1
- 其他位置,dp[i][j]的值只可能来自一下三种情况,三种可能的值中,选择最大的值即可:
- 情况一:可能是dp[i-1][j]的值,这代表str1[0....i-1]与str2[0...j]的最长公共子序列长度。 举例:str1 = "A1BC2", str2 = "AB34C" str1[0..3]为"A1BC",str2[0...4]为"AB34C",这两部分最长公共子序列为"ABC",即dp[3][4]为3. str1整体和str2整体最长公共子序列也是"ABC",所以dp[4][4]可能来自dp[3][4]
- 情况二:同理可知,dp[i][j]的值也可能是dp[i][j-1]
- 情况三:如果str1[i]==str2[j],还可能是dp[i-1][j-1]+1的值。 举例:比如str1 ="ABCD", str2 = "ABCD". str1[0...2]即“ABC”与str2[0...2]即“ABC”的最长公共子序列为"ABC",也就是dp[2][2]为3。因为str1和str2的最后一个字符都是"D",所以dp[i][j] = dp[i-1][j-1]+1
def findLongest(self, A, n, B, m):
#新建一个m行n列的矩阵
matrix = [0] * m * n
#1、矩阵的第一行,即matrix[0][i],代表str1[0]与str2[0...n]的最长公共子串.
# str2[0]只有一个字符,所以matrix[i][0]最大为1
for i in range(n):
if A[i] == B[0]:
for j in range(i,n):
matrix[j] = 1
#2、矩阵的第一列,matrix[i][0]最大为1
for i in range(m):
if B[i] == A[0]:
for j in range(i,m):
matrix[j*n] = 1
#3、其他位置,matrix[i][j]有三种情况,matrix[m][n]即为所求的最长公共子序列长度
for i in range(1,m):
for j in range(1,n):
if B[i] == A[j]:
matrix[i*n+j] = max(matrix[(i-1)*n+j-1]+1,matrix[(i-1)*n+j],matrix[i*n+j-1])
else:
matrix[i*n+j] = max(matrix[(i-1)*n+j],matrix[i*n+j-1])
return matrix[m*n-1]
案例二:求最长公共子串(连续)
Q:给定两个序列,找出在两个序列中同时出现的最长子序列的长度。子串的意思是要求为连续的子序列
分析:
矩阵的第一行,即matrix[0][i],代表str1[0]与str2[0...n]的最长公共子串.
与案例一中的前两步相同,只是最后一步不同。
代码: