P1143 最长公共子序列(LCS)
题目链接:1143. 最长公共子序列.
题目描述
给定两个字符串 text1 和 text2,返回这两个字符串的最长公共子序列的长度。
一个字符串的 子序列 是指这样一个新的字符串:它是由原字符串在不改变字符的相对顺序的情况下删除某些字符(也可以不删除任何字符)后组成的新字符串。
例如,“ace” 是 “abcde” 的子序列,但 “aec” 不是 “abcde” 的子序列。两个字符串的「公共子序列」是这两个字符串所共同拥有的子序列。
若这两个字符串没有公共子序列,则返回 0。
示例:
输入:text1 = “abcde”, text2 = “ace”
输出:3
解释:最长公共子序列是 “ace”,它的长度为 3。
输入:text1 = “abc”, text2 = “abc”
输出:3
解释:最长公共子序列是 “abc”,它的长度为 3。
输入:text1 = “abc”, text2 = “def”
输出:0
解释:两个字符串没有公共子序列,返回 0。
提示:
- 1 <= text1.length <= 1000
- 1 <= text2.length <= 1000
- 输入的字符串只含有小写英文字符。
题解
方法一:动态规划
链接:动态规划.
思路
- ①将原问题分解为子问题
子问题:“求 t e x t 1 text1 text1 前 i i i 个字符形成的子串与 t e x t 2 text2 text2 前 j j j 个字符形成的子串的最长公共子序列的长度”。记 t e x t 1 text1 text1、 t e x t 2 text2 text2 的长度分别为 m m m、 n n n,那么共有 m ⋅ n m\cdot n m⋅n 个子问题,原问题的解即为最后一个子问题的解,即求 t e x t 1 text1 text1 前 m m m 个字符形成的子串与 t e x t 2 text2 text2 前 n n n 个字符形成的子串的最长公共子序列的长度。
- ②确定状态
每个子问题中,与两个变量有关: i i i、 j j j,所以变量 i i i、 j j j 共同组成状态,定义 d p [ i ] [ j ] dp[i][j] dp[i][j] 为 t e x t 1 text1 text1 前 i i i 个字符形成的子串与 t e x t 2 text2 text2 前 j j j 个字符形成的子串的最长公共子序列的长度, d p [ i ] [ j ] dp[i][j] dp[i][j] 即为状态 i i i、 j j j 对应的值。
- ③确定一些边界状态(初始状态)的值
显然有,
t
e
x
t
1
text1
text1 前
0
0
0 个字符形成的子串与
t
e
x
t
2
text2
text2 前
j
j
j 个字符形成的子串的最长公共子序列的长度为
0
0
0,同样的,
t
e
x
t
1
text1
text1 前
i
i
i 个字符形成的子串与
t
e
x
t
2
text2
text2 前
0
0
0 个字符形成的子串的最长公共子序列的长度为
0
0
0,所以
d
p
[
i
]
[
j
]
=
0
(
i
=
0
,
0
⩽
j
⩽
n
)
o
r
(
j
=
0
,
0
⩽
i
⩽
m
)
dp[i][j]=0\ \ \ \ \ \ \ (i=0,0\leqslant j\leqslant n) \ or \ (j=0,0\leqslant i\leqslant m)
dp[i][j]=0 (i=0,0⩽j⩽n) or (j=0,0⩽i⩽m)
- ④确定状态转移方程
d p [ i ] [ j ] = { d p [ i − 1 ] [ j − 1 ] + 1 t e x t 1 [ i − 1 ] = t e x t 2 [ j − 1 ] max ( d p [ i − 1 ] [ j ] , d p [ i ] [ j − 1 ] ) t e x t 1 [ i − 1 ] ≠ t e x t 2 [ j − 1 ] dp[i][j] = \begin{cases} dp[i-1][j-1]+1 &text1[i-1]=text2[j-1] \\ \max(dp[i-1][j],dp[i][j-1]) &text1[i-1]\neq text2[j-1] \end{cases} dp[i][j]={dp[i−1][j−1]+1max(dp[i−1][j],dp[i][j−1])text1[i−1]=text2[j−1]text1[i−1]=text2[j−1]
显然,当 t e x t 1 [ i − 1 ] = t e x t 2 [ j − 1 ] text1[i-1]=text2[j-1] text1[i−1]=text2[j−1] 时,最长公共子序列长度加 1 1 1。
但是,为什么当 t e x t 1 [ i − 1 ] ≠ t e x t 2 [ j − 1 ] text1[i-1]\neq text2[j-1] text1[i−1]=text2[j−1] 时,会得出 d p [ i ] [ j ] = max ( d p [ i − 1 ] [ j ] , d p [ i ] [ j − 1 ] ) dp[i][j]=\max(dp[i-1][j],dp[i][j-1]) dp[i][j]=max(dp[i−1][j],dp[i][j−1]) 呢?
证明:当 t e x t 1 [ i − 1 ] ≠ t e x t 2 [ j − 1 ] text1[i-1]\neq text2[j-1] text1[i−1]=text2[j−1] 时, d p [ i ] [ j ] = max ( d p [ i − 1 ] [ j ] , d p [ i ] [ j − 1 ] ) dp[i][j]=\max(dp[i-1][j],dp[i][j-1]) dp[i][j]=max(dp[i−1][j],dp[i][j−1]) 。
证明:由于 d p [ i ] [ j ] dp[i][j] dp[i][j] 所对应的 t e x t 1 text1 text1、 t e x t 2 text2 text2 的子串涵盖了 d p [ i ] [ j − 1 ] dp[i][j-1] dp[i][j−1]、 d p [ i − 1 ] [ j ] dp[i-1][j] dp[i−1][j] 所对应的 t e x t 1 text1 text1、 t e x t 2 text2 text2 的子串,所以 d p [ i ] [ j ] dp[i][j] dp[i][j] 所对应的公共子序列的长度不小于 d p [ i ] [ j − 1 ] dp[i][j-1] dp[i][j−1]、 d p [ i − 1 ] [ j ] dp[i-1][j] dp[i−1][j] 所对应的公共子序列的长度,所以 d p [ i ] [ j ] dp[i][j] dp[i][j] 不小于 d p [ i ] [ j − 1 ] dp[i][j-1] dp[i][j−1]、 d p [ i − 1 ] [ j ] dp[i-1][j] dp[i−1][j] 。
假设: d p [ i ] [ j ] dp[i][j] dp[i][j] 比 d p [ i ] [ j − 1 ] dp[i][j-1] dp[i][j−1]、 d p [ i − 1 ] [ j ] dp[i-1][j] dp[i−1][j] 都大
- ① 比较 d p [ i ] [ j ] dp[i][j] dp[i][j] 所对应的 t e x t 1 text1 text1、 t e x t 2 text2 text2 的子串与 d p [ i ] [ j − 1 ] dp[i][j-1] dp[i][j−1] 所对应的 t e x t 1 text1 text1、 t e x t 2 text2 text2 的子串,前者只多了一个字符 t e x t 2 [ j − 1 ] text2[j-1] text2[j−1],由假设可知 d p [ i ] [ j ] dp[i][j] dp[i][j] 比 d p [ i ] [ j − 1 ] dp[i][j-1] dp[i][j−1] 大,所以字符 t e x t 2 [ j − 1 ] text2[j-1] text2[j−1] 一定位于 d p [ i ] [ j ] dp[i][j] dp[i][j] 所对应的公共子序列中。
- ② 比较 d p [ i ] [ j ] dp[i][j] dp[i][j] 所对应的 t e x t 1 text1 text1、 t e x t 2 text2 text2 的子串与 d p [ i − 1 ] [ j ] dp[i-1][j] dp[i−1][j] 所对应的 t e x t 1 text1 text1、 t e x t 2 text2 text2 的子串,前者只多了一个字符 t e x t 1 [ i − 1 ] text1[i-1] text1[i−1],由假设可知 d p [ i ] [ j ] dp[i][j] dp[i][j] 比 d p [ i − 1 ] [ j ] dp[i-1][j] dp[i−1][j] 大,所以字符 t e x t 1 [ i − 1 ] text1[i-1] text1[i−1] 一定位于 d p [ i ] [ j ] dp[i][j] dp[i][j] 所对应的公共子序列中。
由①、②可知, t e x t 1 [ i − 1 ] text1[i-1] text1[i−1]、 t e x t 2 [ j − 1 ] text2[j-1] text2[j−1] 都位于 d p [ i ] [ j ] dp[i][j] dp[i][j] 所对应的公共子序列中,而 t e x t 1 [ i − 1 ] text1[i-1] text1[i−1] 是 t e x t 1 text1 text1 前 i i i 个字符形成的子串中的最后一个字符, t e x t [ j − 1 ] text[j-1] text[j−1] 是 t e x t 2 text2 text2 前 j j j 个字符形成的子串中的最后一个字符,所以 t e x t 1 [ i − 1 ] = t e x t 2 [ j − 1 ] text1[i-1]=text2[j-1] text1[i−1]=text2[j−1],与 t e x t 1 [ i − 1 ] ≠ t e x t 2 [ j − 1 ] text1[i-1]\neq text2[j-1] text1[i−1]=text2[j−1] 矛盾,假设不成立,所以 d p [ i ] [ j ] dp[i][j] dp[i][j] 不比 d p [ i ] [ j − 1 ] dp[i][j-1] dp[i][j−1]、 d p [ i − 1 ] [ j ] dp[i-1][j] dp[i−1][j] 都大 。由于 d p [ i ] [ j − 1 ] dp[i][j-1] dp[i][j−1]、 d p [ i − 1 ] [ j ] dp[i-1][j] dp[i−1][j] 所对应的 t e x t 1 text1 text1、 t e x t 2 text2 text2 的子串都只是比 d p [ i − 1 ] [ j − 1 ] dp[i-1][j-1] dp[i−1][j−1] 所对应的 t e x t 1 text1 text1、 t e x t 2 text2 text2 的子串多一个字符,所以 d p [ i ] [ j − 1 ] dp[i][j-1] dp[i][j−1]、 d p [ i − 1 ] [ j ] dp[i-1][j] dp[i−1][j] 所对应的最长公共子序列长度都只能等于 d p [ i − 1 ] [ j − 1 ] dp[i-1][j-1] dp[i−1][j−1] 所对应的最长公共子序列长度,或者加 1 1 1,则 d p [ i ] [ j − 1 ] dp[i][j-1] dp[i][j−1]、 d p [ i − 1 ] [ j ] dp[i-1][j] dp[i−1][j] 都只能等于 d p [ i − 1 ] [ j − 1 ] dp[i-1][j-1] dp[i−1][j−1] 或者 d p [ i − 1 ] [ j − 1 ] + 1 dp[i-1][j-1]+1 dp[i−1][j−1]+1,所以 d p [ i ] [ j − 1 ] dp[i][j-1] dp[i][j−1] 与 d p [ i − 1 ] [ j ] dp[i-1][j] dp[i−1][j] 要么相等,要么相差 1 1 1 。
有了上面的3个结论,可知 d p [ i ] [ j ] dp[i][j] dp[i][j] 至少等于 d p [ i ] [ j − 1 ] dp[i][j-1] dp[i][j−1]、 d p [ i − 1 ] [ j ] dp[i-1][j] dp[i−1][j] 两者之一( d p [ i ] [ j − 1 ] = d p [ i − 1 ] [ j ] dp[i][j-1]=dp[i-1][j] dp[i][j−1]=dp[i−1][j] 时,三者相等),又由于 d p [ i ] [ j ] dp[i][j] dp[i][j] 所对应的 t e x t 1 text1 text1、 t e x t 2 text2 text2 的子串涵盖了 d p [ i ] [ j − 1 ] dp[i][j-1] dp[i][j−1]、 d p [ i − 1 ] [ j ] dp[i-1][j] dp[i−1][j] 所对应的 t e x t 1 text1 text1、 t e x t 2 text2 text2 的子串,所以 d p [ i ] [ j ] dp[i][j] dp[i][j] 所对应的最长公共子序列的长度应该为 d p [ i ] [ j − 1 ] dp[i][j-1] dp[i][j−1]、 d p [ i − 1 ] [ j ] dp[i-1][j] dp[i−1][j] 所对应的最长公共子序列的长度中的较大值,则有: d p [ i ] [ j ] = max ( d p [ i − 1 ] [ j ] , d p [ i ] [ j − 1 ] ) dp[i][j]=\max(dp[i-1][j],dp[i][j-1]) dp[i][j]=max(dp[i−1][j],dp[i][j−1])
得证。
当 t e x t 1 = “ a b c d e " , t e x t 2 = “ a c e ” text1 = “abcde", text2 = “ace” text1=“abcde",text2=“ace”,我们按照状态转移方程,写出 d p dp dp 中的值:
算法
- 参考代码1
class Solution {
public:
int longestCommonSubsequence(string text1,string text2) {
int len1=text1.size();
int len2=text2.size();
int** dp=new int*[len1+1];
for(int i=0;i<len1+1;++i){
dp[i]=new int[len2+1];
}
for(int i=0;i<len1+1;++i){
dp[i][0]=0;
}
for(int i=0;i<len2+1;++i){
dp[0][i]=0;
}
for(int i=1;i<len1+1;++i){
for(int j=1;j<len2+1;++j){
if(text1[i-1]==text2[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[len1][len2];
}
};
上面的程序还可以使用滚动数组来对空间进行优化,我们可以知道计算出 d p [ i ] [ j ] dp[i][j] dp[i][j] 只需要知道 d p [ i ] [ j − 1 ] dp[i][j-1] dp[i][j−1]、 d p [ i − 1 ] [ j ] dp[i-1][j] dp[i−1][j]、 d p [ i − 1 ] [ j − 1 ] dp[i-1][j-1] dp[i−1][j−1],所以我们可以考虑使用一个长度为 n + 1 n+1 n+1 的一维数组 n e w d p newdp newdp 来代替二维数组 d p dp dp,用 n e w d p [ j ] newdp[j] newdp[j] 来存储 d p [ i ] [ j ] dp[i][j] dp[i][j],在计算 d p [ i ] [ j ] dp[i][j] dp[i][j] 时(即为 n e w d p [ j ] newdp[j] newdp[j] 赋值时), d p [ i ] [ j − 1 ] dp[i][j-1] dp[i][j−1] 存储于 n e w d p [ j − 1 ] newdp[j-1] newdp[j−1] 中, d p [ i − 1 ] [ j ] dp[i-1][j] dp[i−1][j] 存储于 n e w d p [ j ] newdp[j] newdp[j] 中,而 d p [ i − 1 ] [ j − 1 ] dp[i-1][j-1] dp[i−1][j−1](原来也存储于 n e w d p [ j − 1 ] newdp[j-1] newdp[j−1] 中)已经被更新为 d p [ i ] [ j − 1 ] dp[i][j-1] dp[i][j−1],所以我们需要一个变量 t e m p temp temp 来记录 d p [ i − 1 ] [ j − 1 ] dp[i-1][j-1] dp[i−1][j−1]。
其实还可以继续优化空间,将
n
e
w
d
p
newdp
newdp 设置为一个长度为
min
(
m
,
n
)
+
1
\min(m,n)+1
min(m,n)+1 的一维数组。
- 参考代码2
class Solution {
public:
int longestCommonSubsequence(string text1,string text2) {
int len1=text1.size();
int len2=text2.size();
if(len2>len1){
return longestCommonSubsequence(text2,text1);
}
int* dp=new int[len2+1];
int temp;
for(int i=0;i<len2+1;++i){
dp[i]=0;
}
for(int i=1;i<len1+1;++i){
temp=dp[0];
for(int j=1;j<len2+1;++j){
if(text1[i-1]==text2[j-1]){
int tp=temp;
temp=dp[j];
dp[j]=tp+1;
}
else{
temp=dp[j];
dp[j]=max(dp[j],dp[j-1]);
}
}
}
return dp[len2];
}
};
复杂度分析
假设字符串 t e x t 1 text1 text1 的长度为 m m m,字符串 t e x t 2 text2 text2 的长度为 n n n
- 时间复杂度:
O
(
m
⋅
n
)
O(m\cdot n)
O(m⋅n),因为动态规划中状态的数目为
m
⋅
n
m\cdot n
m⋅n,在计算每个状态时所需的时间为一个与
m
m
m、
n
n
n 均无关的常量,由动态规划解题的时间复杂度计算公式:
时 间 复 杂 度 = 状 态 的 数 目 ⋅ 计 算 每 个 状 态 所 需 时 间 时间复杂度=状态的数目⋅计算每个状态所需时间 时间复杂度=状态的数目⋅计算每个状态所需时间所以得到时间复杂度 O ( m ⋅ n ) O(m\cdot n) O(m⋅n) 。 - 空间复杂度:
- 参考代码1的空间复杂度为 O ( m ⋅ n ) O(m\cdot n) O(m⋅n),需要一个 ( m + 1 ) ⋅ ( n + 1 ) (m+1)\cdot (n+1) (m+1)⋅(n+1) 的二维数组 d p dp dp 来存储各个状态的值。
- 参考代码2的空间复杂度为 O ( min ( m , n ) ) O(\min(m,n)) O(min(m,n)),使用滚动数组,需要一个长度为 min ( m , n ) + 1 \min(m,n)+1 min(m,n)+1 的一维滚动数组。