动态规划---编辑距离

最新推荐文章于 2024-05-02 17:44:41 发布
最新推荐文章于 2024-05-02 17:44:41 发布
阅读量1.8k 收藏 11
点赞数 6
分类专栏： 算法详解 文章标签： 动态规划 算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_51431003/article/details/127149925
版权

说明

编辑距离序列问题算是动态规划问题中的一个小分支，这里单独写一篇文章介绍。至于动态规划基础问题和详细的处理步骤我在我的另一篇文章中详细介绍过。具体解决步骤请移步观看——动态规划基础篇。如果想了解01背包问题和滚动数组相关内容请移步观看——动态规划——01背包问题。

例题讲解

1.判断⼦序列

给定字符串 s 和 t ，判断 s 是否为 t 的子序列。
字符串的一个子序列是原始字符串删除一些（也可以不删除）字符而不改变剩余字符相对位置形成的新字符串。（例如，"ace"是"abcde"的一个子序列，而"aec"不是）。

提示：

  • 0 <= s.length <= 100
  • 0 <= t.length <= 10^4
  • 两个字符串都只由小写字符组成
1.1确定dp(dp table)数组及其下标的含义

dp[i][j]：以s.charAt(i-1)结尾的字符串s和以t.charAt(j-1)结尾的字符串t的相同子序列的长度为dp[i][j]。

大家看到这里可能会疑惑，这里不是要判断s 是否为 t 的子序列吗？为什么要将dp数组含义定位相同子序列长度？大家可以这样理解，如果递推结束后，最终结果dp[s.length()][t.length()]=s.length()，不就意味着s是t的子序列。

1.2确定递推公式

在确定递推公式的时候，首先要考虑如下两种操作，整理如下：

  • if(s.charAt(i-1)==t.charAt(j-1))

  • if(s.charAt(i-1)!=t.charAt(j-1))

如果s.charAt(i-1)==t.charAt(j-1)，s.charAt(i-1)和t.charAt(j-1)也可以作为相同子序列中的一个字符，所以dp[i][j]=dp[i-1][j-1]+1；
如果s.charAt(i-1)！=t.charAt(j-1)，我们可以删除t.charAt(j-1)，那么此时以s.charAt(i-1)结尾的字符串s和以t.charAt(j-1)结尾的字符串t的相同子序列的长度显然等于s.charAt(i-1)结尾的字符串s和以t.charAt(j-2)结尾的字符串t的相同子序列的长度，因为我们已经把t.charAt(j-1)删掉了，所以dp[i][j]=dp[i][j-1]。

综上分析，递推公式如下:

if(s.charAt(i-1)==t.charAt(j-1)){
	dp[i][j]=dp[i-1][j-1]+1;
}else{
	dp[i][j]=dp[i][j-1];
}
1.3dp数组初始化

从递推公式可以看出，我们需要初始化dp[i][0]和dp[0][j]，显然dp[i][0]=0,dp[0][j]=0；

1.4代码示例
class Solution {
    public boolean isSubsequence(String s, String t) {
        int len1=s.length(),len2=t.length();
        int[][] dp=new int[len1+1][len2+1];
        for(int i=1;i<=len1;i++){
            for(int j=1;j<=len2;j++){
                if(s.charAt(i-1)==t.charAt(j-1)){
                    dp[i][j]=dp[i-1][j-1]+1;
                }else{
                    dp[i][j]=dp[i][j-1];
                }
            }
        }
        return dp[len1][len2]==len1;
    }
}

2.不同的⼦序列

给定一个字符串 s 和一个字符串 t ，计算在 s 的子序列中 t 出现的个数。
字符串的一个 子序列 是指，通过删除一些（也可以不删除）字符且不干扰剩余字符相对位置所组成的新字符串。（例如，“ACE” 是 “ABCDE” 的一个子序列，而 “AEC” 不是）
题目数据保证答案符合 32 位带符号整数范围。

提示：

  • 0 <= s.length, t.length <= 1000
  • s 和 t 由英文字母组成
2.1确定dp(dp table)数组及其下标的含义

dp[i][j]：以s.charAt(i-1)为结尾的s⼦序列中出现以t.charAt(j-1)为结尾的t的个数为dp[i][j]。

2.2确定递推公式

在确定递推公式的时候，首先要考虑如下两种操作，整理如下：

  • if(s.charAt(i-1)==t.charAt(j-1))

  • if(s.charAt(i-1)!=t.charAt(j-1))

如果s.charAt(i-1)==t.charAt(j-1)，我们可以选择s.charAt(i-1)加入匹配，那么dp[i][j]=dp[i-1][j-1]；也可以选择不让s.charAt(i-1)加入匹配，那么dp[i][j]=dp[i-1][j]，例如s=“bagg”，t=“bag”，s.charAt(3)和s.charAt(2)是相同的我们选择s.charAt(3)可以不选择也可以，所以最终dp[i][j]=dp[i-1][j-1]+dp[i-1][j]；
如果s.charAt(i-1)!=t.charAt(j-1)，dp[i][j]=dp[i-1][j]。

综上分析，递推公式如下:

if(s.charAt(i-1)==t.charAt(j-1)){
	dp[i][j]=dp[i-1][j-1]+dp[i-1][j];
}else{
	dp[i][j]=dp[i-1][j];
}
2.3dp数组初始化

从递推公式可以看出，我们需要初始化dp[i][0]和dp[0][j]；
dp[i][0]的含义是以s.charAt(i-1)结尾的字符串s子序列中出现空串的个数，很显然我们只需要把s字符串中所有的字符都删除即可得到空串，而且只有这一种可能，即dp[i][0]=1;
dp[0[][j]：的含义是空串的子序列中出现以t.charAt(j-1)结尾的字符串t，显然dp[0][j]=0。

2.4代码示例
class Solution {
    public int numDistinct(String s, String t) {
        int len1=s.length(),len2=t.length();
        int[][] dp=new int[len1+1][len2+1];
        for(int i=0;i<=len1;i++) dp[i][0]=1;
        for(int i=1;i<=len1;i++){
            for(int j=1;j<=len2;j++){
                if(s.charAt(i-1)==t.charAt(j-1)){
                    dp[i][j]=dp[i-1][j-1]+dp[i-1][j];
                }else{
                    dp[i][j]=dp[i-1][j];
                }
            }
        }
        return dp[len1][len2];
    }
}
2.5转换成01背包问题
class Solution {
    public int numDistinct(String s, String t) {
        int len1=s.length(),len2=t.length();
        int[] dp=new int[len2+1];
        dp[0]=1;
        for(int i=0;i<len1;i++){
            for(int j=len2;j>0;j--){
                if(s.charAt(i)==t.charAt(j-1)) dp[j]+=dp[j-1];
            }
        }
        return dp[len2];
    }
}

3.两个字符串的删除操作

给定两个单词 word1 和 word2 ，返回使得 word1 和 word2 相同所需的最小步数。
每步 可以删除任意一个字符串中的一个字符。
提示：

  • 1 <= word1.length, word2.length <= 500
  • word1 和 word2 只包含小写英文字母
3.1确定dp(dp table)数组及其下标的含义

dp[i][j]：以word1.charAt(i-1)结尾的字符串word1，以word2.charAt(j-1)结尾的字符串word2，使得word1和word2相同的最小步数为dp[i][j]。

3.2确定递推公式

在确定递推公式的时候，首先要考虑如下两种操作，整理如下：

  • if(word1.charAt(i-1)==word2charAt(j-1))

  • if(word1.charAt(i-1)!=word2charAt(j-1))

如果word1.charAt(i-1)==word2charAt(j-1)，我们显然不需要做任何操作，即dp[i][j]=dp[i-1][j-1]；
如果word1.charAt(i-1)!=word2charAt(j-1)，我们可以选择删除word1.charAt(i-1)，则dp[i][j]=dp[i-1][j]+1，也可以选择删除word2.charAt(j-1)，则dp[i][j]=dp[i][j-1]+1，我们只需要选择步数最小的即可，即dp[i][j]=Math.min(dp[i-1][j],dp[i][j-1])+1；

综上分析，递推公式如下:

if(word1.charAt(i-1)==word2.charAt(j-1)){
	dp[i][j]=dp[i-1][j-1];
}else{
	dp[i][j]=dp[i-1][j]+dp[i][j-1];
}
3.3dp数组初始化

从递推公式可以看出，我们需要初始化dp[i][0]和dp[0][j]；
dp[i][0]的含义是word1.charAt(i-1)结尾的字符串word1和空串相同所需最小步数，所以我们需要将word1中所有的字符删去，即dp[i][0]=i；
同理，dp[0][j]=j。

3.4代码示例
class Solution {
    public int minDistance(String word1, String word2) {
        int len1=word1.length(),len2=word2.length();
        int[][] dp=new int[len1+1][len2+1];
        for(int i=1;i<=len1;i++) dp[i][0]=i;
        for(int j=1;j<=len2;j++) dp[0][j]=j;
        for(int i=1;i<=len1;i++){
            for(int j=1;j<=len2;j++){
                if(word1.charAt(i-1)==word2.charAt(j-1)){
                    dp[i][j]=dp[i-1][j-1];
                }else{
                    dp[i][j]=Math.min(dp[i-1][j],dp[i][j-1])+1;
                }
            }
        }
        return dp[len1][len2];
    }
}

4.编辑距离

给你两个单词 word1 和 word2， 请返回将 word1 转换成 word2 所使用的最少操作数 。

你可以对一个单词进行如下三种操作：

  • 插入一个字符
  • 删除一个字符
  • 替换一个字符

提示：

  • 0 <= word1.length, word2.length <= 500
  • word1 和 word2 由小写英文字母组成
4.1确定dp(dp table)数组及其下标的含义

dp[i][j]：以word1.charAt(i-1)结尾的字符串word1，以word2.charAt(j-1)结尾的字符串word2，将 word1 转换成 word2 所使用的最少操作数。

4.2确定递推公式

在确定递推公式的时候，首先要考虑如下两种操作，整理如下：

  • if(word1.charAt(i-1)==word2charAt(j-1))

  • if(word1.charAt(i-1)!=word2charAt(j-1))

如果word1.charAt(i-1)==word2charAt(j-1)，我们显然不需要做任何操作，即dp[i][j]=dp[i-1][j-1]；

如果word1.charAt(i-1)!=word2charAt(j-1)，我们有三种选择

  • 替换一个字符
    替换word1.charAt(i-1)和替换word2.charAt(j-1)所需操作数一样，即dp[i][j]=dp[i-1][j-1]+1；
  • 删除一个字符
    删除word1.charAt(i-1)，则dp[i][j]=dp[i-1][j]+1； 删除word2.charAt(j-1)，则dp[i][j]=dp[i][j-1]+1；
  • 插入一个字符
    其实对于word1插入一个字符等价于word2删除一个字符，如word1=“flag”，word2=“flagw” ，，word1插入一个字符’w’和word22删除一个字符’w’是等价的，即都是需要操作一次；
    同理对于word2插入一个字符等价于word1删除一个字符；
    所以其实"插入一个字符这种情况可以不用考虑"

综上分析，递推公式如下:

if(word1.charAt(i-1)==word2.charAt(j-1)){
	dp[i][j]=dp[i-1][j-1];
}else{
	dp[i][j]=Math.min(Math.min(dp[i-1][j],dp[i][j-1),dp[i-1][j-1])+1;
}
4.3dp数组初始化

从递推公式可以看出，我们需要初始化dp[i][0]和dp[0][j]；
dp[i][0]的含义是word1.charAt(i-1)结尾的字符串word1转换为空串所需最小操作数，所以我们需要将word1中所有的字符删去，即dp[i][0]=i；
同理，dp[0][j]=j。

4.4代码示例
class Solution {
    public int minDistance(String word1, String word2) {
        int len1=word1.length(),len2=word2.length();
        int[][] dp=new int[len1+1][len2+1];
        for(int i=0;i<=len1;i++) dp[i][0]=i;
        for(int j=1;j<=len2;j++) dp[0][j]=j;
        for(int i=1;i<=len1;i++){
            for(int j=1;j<=len2;j++){
                if(word1.charAt(i-1)==word2.charAt(j-1)){
                    dp[i][j]=dp[i-1][j-1];
                }else{
                    dp[i][j]=Math.min(Math.min(dp[i][j-1],dp[i-1][j]),dp[i-1][j-1])+1;
                }
            }
        }
        return dp[len1][len2];
    }
}
路上阡陌
关注
  • 6
    点赞
  • 踩
  • 11
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
动态规划解决编辑距离问题
AI架构设计之禅
04-14 631
动态规划解决编辑距离问题 作者：禅与计算机程序设计艺术 1. 背景介绍 编辑距离(Edit Distance)是一种用于衡量两个字符串相似度的重要度量指标。它描述了将一个字符串转换成另一个字符串所需的最少编辑操作次数，常见的编辑操作包括插入、删除和替换。编辑距离广泛应用于自然语言处理
动态规划-最小编辑距离 python代码
07-28
如果是A串的第i个字符和B串的第j个字符 1.在A的第i个字符后插入一个字符B[j]，问题转化为计算A[i...lenA]和B[j+1...lenB]的距离 ...d [i-1][j] 、d [i][j-1]、d [i-1][j-1]进行比较，其中最小的就是当前A和B的编辑距离
动态规划—编辑距离（一）解析+代码
m0_72563041的博客
06-26 188
编辑距离（一）
动态规划|72.编辑距离
Talking999的博客
05-02 945
day55 如何编辑距离？
动态规划经典题：编辑距离(hard) 详解，看了还不会你来砍我
zhu_pi_xx的博客
01-01 2331
一般的，我们在做序列DP问题的时候，遇到两个字符串都会用一个二维数组来进行DP，最长公共子序列简称LCS(longest common subsequence) 对于本题 状态定义： DP[i][j]表示具有word1[0:i]的字符串和word2[0:j]的字符串中的LCS 比如"abcde" [0:2]也就是abc
【Leetcode72】编辑距离（动态规划）
发现问题，并解决问题，批判性思维
12-10 1535
编辑距离可以通过以下三种操作进行计算：插入一个字符、删除一个字符、替换一个字符。初始条件：也只有两个字符串都相同或者都是空时编辑距离才为0，先全都将。根据状态转移方程，下标大的dp值都能从下标小的dp值计算得到，所以。边界：如果word1和word2其中一个没字母，即。个单词，变换到word2中前。个字符，最少需要的动作次数。，即一路加到底和一路减到底。（3）边界+初始条件。是边界情况，值分别为。
一文详解编辑距离（Levenshtein Distance）
听得到微笑的博客
04-17 2万+
更多博文请关注：https://blog.bigcoder.cn 一. 什么是Levenshtein Distance Levenshtein Distance，一般称为编辑距离（Edit Distance，Levenshtein Distance只是编辑距离的其中一种）或者莱文斯坦距离，算法概念是俄罗斯科学家弗拉基米尔·莱文斯坦（Levenshtein · Vladimir I）在1965年提出。此算法的概念很简单：Levenshtein Distance指两个字串之间，由一个转换成另一个所需的最少编.
【动态规划】(一)编辑距离
hexu2010的博客
11-27 6652
动态规划算法之编辑距离 一、什么是编辑距离 编辑距离，就是求字符串s1到字符串s2的最少修改次数。每次修改的方式如下： 1.增加一个字符。如：abcabcabc -> abcdabcdabcd 2.删除一个字符。如：abcabcabc -> ababab 3.修改一个字符。如：abcabcabc -> abdabdabd 二、编辑距离怎么求 1.深搜枚举 深搜枚举的时间复杂度很高。假设字符串只有小写字母，最长的字符串长度为nnn，则时间复杂度为O(26n)O(26^n)O(26n)，远远超
编辑距离（动态规划）
北川_的博客
01-09 4734
题目描述 给你两个单词 word1 和 word2，请你计算出将 word1 转换成 word2 所使用的最少操作数 。 你可以对一个单词进行如下三种操作： 插入一个字符 删除一个字符 替换一个字符 编辑距离：是指两个字符串之间，由一个转成另一个所需的最少编辑操作次数。 问题：word1到word2的编辑距离 子问题：word1前i个字符到word2前j个字符的编辑距离 假如有两个字符串"hat"和"wtct" 每个格子表示word1前i个字符到word2前j个字符的编辑距离 i表示插入操作，d表示删
动态规划-从入门到精通
最新发布
05-23
1. 计算机科学中的算法设计：背包问题、最长公共子序列、最小编辑距离、图的最短路径等。 2. 运筹学和优化：旅行商问题、作业调度、网络流问题。 3. 生物信息学：DNA序列比对、蛋白质结构预测。 4. 经济学和金融：...
基于动态规划思想的编辑距离计算
12-22
利用动态规划计算编辑距离，其模型如下： 对于两个字符串a和b，计算两个字符串的相似度，即计算两个字符串的编辑距离，相当于计算它们字串的编辑距离，再加上从子串到全串所需的最少编辑次数即可，不断地进行递推。 ...
动态规划之编辑距离问题
04-24
动态规划之编辑距离问题 编辑距离问题是计算机科学中一个经典问题，旨在寻找将一个字符串转换为另一个字符串所需的最少操作数。这个问题可以通过动态规划算法来解决，下面将对其进行详细的解释。 问题描述 编辑...
动态规划Dynamic programming详解-编辑距离问题【python】
10年数据\经营分析经验，现任大厂数据分析负责人
04-16 1204
编辑距离问题详解包括方程式推导、代码示例、图解，快速掌握动态规划
编辑距离(Edit Distance)
qq_37306425的博客
03-18 5163
文章目录编辑距离的定义编辑距离的应用动态规划法求解编辑距离 编辑距离的定义 编辑距离(Edit Distance)是针对两个个字符串S1和S2的差异程度进行量化，计算方式是看至少需要多少次的处理才能将S1变成S2（和S2变成S1是等价的），用 EditDis(S1,S2)表示。 其中处理的方式有三种： 1.插入一个字符 2.删除一个字符 3.替换一个字符 这是严格意义上的距离，满足”距离三公理"：...
leetcode(力扣) 72. 编辑距离 (动态规划)
深度不学习！！的博客
11-07 610
替换掉A的末尾元素 也就是 A[i-2]，使其等于B[j-2],那么就是以下标 i−2 为结尾的 word1 与 j−2 为结尾的 word2 的最近编辑距离 即 dp[i-1][j-1] 再加上一个替换元素的操作 ， dp[i-1][j-1]+1.删A的一个元素，那么就是以下标 i−2为结尾的 A与j−1 为结尾的 B的最近编辑距离 再加上一个操作。删B的一个元素，那么就是以下标 i−1为结尾的 A与j−2 为结尾的 B的最近编辑距离 再加上一个操作。
经典动态规划：编辑距离
程序员吴师兄的博客
05-21 2107
点击关注上方“五分钟学算法”，设为“置顶或星标”，第一时间送达干货。转自面向大象编程本期例题：LeetCode 72. Edit Distance 编辑距离（Hard）给定字符串 s 和...
编辑距离算法（Edit Distance）
热门推荐
编程小栈
12-31 6万+
写在前面的话今年是2016年的最后一天，外公，超级想你，我都没有想过你会不能继续再走到2017.我过得很好，每天都超级幸福，我现在在学校有一堆好朋友。哈哈，我总是能处在宇宙中心的那种人，没办法，您这么优秀才能教出这么好的孙女，好吧。我会好好学习的，我是第一女王嘛，永远都会是的。是吧，要做就做最好，要么就不做，我永远都要做你的骄傲。对了，我又有很多新朋友了，我们就像家人一样，就是每天都过得超级幸福，哈
leetcode：72. 编辑距离
OceanStar的博客
04-24 4443
题目来源 leetcode 题目描述 题目解析 递归 共有三种变换方式，插入一个字符，删除一个字符，和替换一个字符 分析： 不可以用map统计字符出现的频率，因为字符串的顺序很重要 [删除] 和[添加]是等价的。比如"qwe"与"qwer"，删除"qwer"的r与给"qwe"添加一个r是等价的。所以在比较的时候，需要尝试三种操作，因为谁也不知道当前的操作会对后面产生什么样的营销。 对于当前比较的两个字符word1[i]和word2[j]： 如果两者相同，直接跳到下一个为止 如果两者不相同，有三种
编辑距离动态规划公式
08-26
编辑距离动态规划公式可以表示为以下递推关系： 如果字符串a的第i个字符等于字符串b的第j个字符，则编辑距离dp[i][j]等于dp[i-1][j-1]，即不进行任何操作。 如果字符串a的第i个字符不等于字符串b的第j个字符，则编辑...

“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

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

路上阡陌

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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