算法学习之动态规划--最长上升子序列

问题描述：
一个数的序列ai，当a1 < a2 < ... < aS的时候，我们称这个序列是上升的。对于给定的一个序列(a1, a2, ..., aN)，我们可以得到一些上升的子序列(ai1, ai2, ..., aiK)，这里1 <= i1 < i2 < ... < iK <= N。比如，对于序列(1, 7, 3, 5, 9, 4, 8)，有它的一些上升子序列，如(1, 7), (3, 4, 8)等等。这些子序列中最长的长度是4，比如子序列(1, 3, 5, 8).

你的任务，就是对于给定的序列，求出最长上升子序列的长度。

输入数据 

输入的第一行是序列的长度N (1 <= N <= 1000)。第二行给出序列中的N个整数，这些整数的取值范围都在0到10000。 

输出要求 

最长上升子序列的长度。 

输入样例 

7 

1 7 3 5 9 4 8 

输出样例 

4

解题思路：

1.找子问题

 “求序列的前n个元素的最长上升子序列的长度”是个子问题，但这样分解子问题，不具有“无后效性” 假设F(n) = x,但可能有多个序列满足F(n) = x。有的序列的最后一个元素比 an+1小，则加上an+1就能形成更长上升子序列；有的序列最后一个元素不比an+1小……以后的事情受如何达到状态n的影响，不符合“无后效性”。

重新寻找子问题“求以ak（k=1, 2, 3…N）为终点的最长上升子序列的长度” 一个上升子序列中最右边的那个数，称为该子序列的“终点”。 虽然这个子问题和原问题形式上并不完全一样，但是只要这N个子问题都解决了，那么这N个子问题的解中，最大的那个就是整个问题的解。

2. 确定状态：
子问题只和一个变量-- 数字的位置相关。因此序列中数的位置k 就是“状态”，而状态 k 对应的“值”，就是以ak做为“终点”的最长上升子序列的长度。状态一共有N个。

3. 找出状态转移方程：
maxLen (k)表示以ak做为“终点”的最长上升子序列的长度，那么：
初始状态：maxLen (1) = 1
maxLen (k) = max { maxLen (i)：1<=i < k 且 ai < ak且 k≠1 } + 1
若找不到这样的i,则maxLen(k) = 1
maxLen(k)的值，就是在ak左边，“终点”数值小于ak ，且长度最大的那个上升子序列的长度再加1。因为ak左边任何“终点”小于ak的子序列，加上ak后就能形成一个更长的上升子序列。

代码如下：

#include<iostream>
#include<algorithm>
using namespace std;
const int maxn = 1010;
int num[maxn], maxLen[maxn];
int main(){
    int N;
    cin >> N;
    for(int i=1; i<=N; i++){
        cin >> num[i];
        maxLen[i] = 1;                                      //初始化以num[i]为结尾的最长上升子序列长度为1
    }
    for(int i=2; i<=N; i++){                                //从第二个数开始，求以num[i]为终点的最长上升子序列的长度
        for(int j=1; j<i; j++)
            if(num[j] < num[i])                             //查看以num[j]为终点的最长上升子序列长度，并更新maxLen[i]的值
                maxLen[i] = max(maxLen[i], maxLen[j]+1);
    }
    cout << *max_element(maxLen+1,maxLen+N+1) << endl;
    return 0;
}

此算法时间复杂度O(n^2). 算法中 max_element 函数的用法，直接取数组中指定段内最大值，注意前面的 * 号。