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 1:
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。
示例 2:
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。
示例 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。
来源:力扣(LeetCode)
链接:https://leetcode-cn.com/problems/longest-common-subsequence
著作权归领扣网络所有。商业转载请联系官方授权,非商业转载请注明出处。
分享老哥的Lee的
空间优化过程由O(nm) -> O(2m) -> O(m) -> O(min(n,m)),n为text1的长度,m为text2的长度。
// 状态转移方程有点难想,最好需要画图
public int longestCommonSubsequence0(String text1, String text2) {
// dp[i][j]代表text1前i(下标)个元素和text2前j个元素的最长公共子序列长度
int len1 = text1.length();
int len2 = text2.length();
int[][] dp = new int[len1 + 1][len2 + 1];
for(int i = 0; i < len1; i++) {
for(int j = 0; j < len2; j++) {
if(text1.charAt(i) == text2.charAt(j)) { // 如果相等
dp[i + 1][j + 1] = dp[i][j] + 1;
}else { // 如果不相等
dp[i + 1][j + 1] = Math.max(dp[i + 1][j], dp[i][j + 1]);
}
}
}
return dp[len1][len2];
}
// 空间优化,只用两行
public int longestCommonSubsequence1(String text1, String text2) {
// dp[i][j]代表text1前i(下标)个元素和text2前j个元素的最长公共子序列长度
int len1 = text1.length();
int len2 = text2.length();
int[][] dp = new int[2][len2 + 1];
for(int i = 0; i < len1; i++) {
int row = i & 1;
int prevRow = (i - 1) & 1;
for(int j = 0; j < len2; j++) {
if(text1.charAt(i) == text2.charAt(j)) { // 如果相等
dp[row][j + 1] = dp[prevRow][j] + 1;
}else { // 如果不相等
dp[row][j + 1] = Math.max(dp[row][j], dp[prevRow][j + 1]);
}
}
}
return dp[(len1 - 1) & 1][len2];
}
// 空间优化,只用一行
public int longestCommonSubsequence2(String text1, String text2) {
// dp[i][j]代表text1前i(下标)个元素和text2前j个元素的最长公共子序列长度
int len1 = text1.length();
int len2 = text2.length();
int[] dp = new int[len2 + 1];
for(int i = 0; i < len1; i++) {
int prevLeftTop = 0; // 记录leftTop,即dp[i][j]的dp[i - 1][j - 1]
for(int j = 0; j < len2; j++) {
int currLeftTop = dp[j + 1];
if(text1.charAt(i) == text2.charAt(j)) { // 如果相等
dp[j + 1] = prevLeftTop + 1;
}else { // 如果不相等
dp[j + 1] = Math.max(dp[j], dp[j + 1]);
}
prevLeftTop = currLeftTop;
}
}
return dp[len2];
}
// 基于2再空间优化,选择text1和text2中较小的创建dp数组
public int longestCommonSubsequence3(String text1, String text2) {
// dp[i][j]代表text1前i(下标)个元素和text2前j个元素的最长公共子序列长度
int len1 = text1.length();
int len2 = text2.length();
if(len2 > len1) { // 保证text2为短的那个
int tmp = len1;
len1 = len2;
len2 = tmp;
String tmp1 = text1;
text1 = text2;
text2 = tmp1;
}
int[] dp = new int[len2 + 1];
for(int i = 0; i < len1; i++) {
int prevLeftTop = 0; // 记录leftTop,即dp[i][j]的dp[i - 1][j - 1]
for(int j = 0; j < len2; j++) {
int currLeftTop = dp[j + 1];
if(text1.charAt(i) == text2.charAt(j)) { // 如果相等
dp[j + 1] = prevLeftTop + 1;
}else { // 如果不相等
dp[j + 1] = Math.max(dp[j], dp[j + 1]);
}
prevLeftTop = currLeftTop;
}
}
return dp[len2];
}
我的思路:一个text数量多,一个text数量少,那么比较以少的出发,进行for循环。可以是这样的思路某个字符串进行单个字符匹配,并且返回某个首先匹配到下标,对多的进行下标切割,取后面的数据。后面数据再进行单个字符匹配,匹配到就返回,循环记录最大匹配数量。可以省略最后几位的比较。就是较少循环到最后。已经有X个最大匹配数量,那么text数量少的 也已经循环到后X+1位,可以进行循环,但是到X就不需要进行循环了。即使循环到也是已经匹配上的
对应大概设想的代码是这样的
String test1;
String test2;
if(test1==null && test2==null){
retrun 0;
}
if(test1==null || test2==null){
retrun 0;
}
String max = "";
String min = "";
if(test1.length()>=test2.length()){
max = test1;
min = test2;
if(test1.contains(test2)){
retrun test2.length();
}
}else{
max = test2;
min = test1;
if(test2.contains(test1)){
retrun test1.length();
}
}
/** 目前存在的最大数据 */
boolean xunhuan = true;
while(true){
int eqMax = 0;
Integer xiabiao = null;
Integer maxLength= test2.length();
String maxNew = max;
for(int j = 0; j < (min.length()-eqMax) ;j++){
xiabiao = max.indexOf(min.charAt(j));
if(xiabiao!=null ){
eqMax ++;
if(xiabiao.equals(maxLength)){
}
}
}
}
经过实际编写。这个很有问题。搞个溜溜球。需要优化
2020-1-3 题目补充
最长公共子序列(Longest Common Subsequence,简称
LCS)是一道非常经典的面试题目,因为它的解法是典型的二维动态规划,大部分比较困难的字符串问题都和这个问题一个套路,比如说编辑距离。而且,这个算法稍加改造就可以用于解决其他问题,所以说
LCS 算法是值得掌握的。题目就是让我们求两个字符串的 LCS 长度:
输入: str1 = “abcde”, str2 = “ace” 输出: 3 解释: 最长公共子序列是 “ace”,它的长度是 3
肯定有读者会问,为啥这个问题就是动态规划来解决呢?因为子序列类型的问题,穷举出所有可能的结果都不容易,而动态规划算法做的就是穷举 +
剪枝,它俩天生一对儿。所以可以说只要涉及子序列问题,十有八九都需要动态规划来解决,往这方面考虑就对了。下面就来手把手分析一下,这道题目如何用动态规划技巧解决。
PS:我认真写了 100 多篇题解,手把手带你刷力扣,全部发布在
LeetCode刷题套路,持续更新。建议收藏,先按照我的文章顺序刷题,掌握各种算法套路后投再入题海就如鱼得水了。一、动态规划思路 第一步,一定要明确 dp 数组的含义。对于两个字符串的动态规划问题,套路是通用的。
比如说对于字符串 s1 和 s2,一般来说都要构造一个这样的 DP table:
为了方便理解此表,我们暂时认为索引是从 1 开始的,待会的代码中只要稍作调整即可。其中,dp[i][j] 的含义是:对于 s1[1…i]
和 s2[1…j],它们的 LCS 长度是 dp[i][j]。比如上图的例子,d[2][4] 的含义就是:对于 “ac” 和 “babc”,它们的 LCS 长度是 2。我们最终想得到的答案应该是
dp[3][6]。第二步,定义 base case。
我们专门让索引为 0 的行和列表示空串,dp[0][…] 和 dp[…][0] 都应该初始化为 0,这就是 base case。
比如说,按照刚才 dp 数组的定义,dp[0][3]=0 的含义是:对于字符串 “” 和 “bab”,其 LCS 的长度为
0。因为有一个字符串是空串,它们的最长公共子序列的长度显然应该是 0。第三步,找状态转移方程。
这是动态规划最难的一步,不过好在这种字符串问题的套路都差不多,权且借这道题来聊聊处理这类问题的思路。
状态转移说简单些就是做选择,比如说这个问题,是求 s1 和 s2 的最长公共子序列,不妨称这个子序列为 lcs。那么对于 s1 和 s2
中的每个字符,有什么选择?很简单,两种选择,要么在 lcs 中,要么不在。
这个「在」和「不在」就是选择,关键是,应该如何选择呢?这个需要动点脑筋:如果某个字符应该在 lcs 中,那么这个字符肯定同时存在于 s1 和
s2 中,因为 lcs 是最长公共子序列嘛。所以本题的思路是这样:用两个指针 i 和 j 从后往前遍历 s1 和 s2,如果 s1[i]==s2[j],那么这个字符一定在 lcs 中;否则的话,s1[i]
和 s2[j] 这两个字符至少有一个不在 lcs 中,需要丢弃一个。先看一下递归解法,比较容易理解:
def longestCommonSubsequence(str1, str2) -> int:
def dp(i, j):
# 空串的 base case
if i == -1 or j == -1:
return 0
if str1[i] == str2[j]:
# 这边找到一个 lcs 的元素,继续往前找
return dp(i - 1, j - 1) + 1
else:
# 谁能让 lcs 最长,就听谁的
return max(dp(i-1, j), dp(i, j-1))
# i 和 j 初始化为最后一个索引
return dp(len(str1)-1, len(str2)-1)
对于第一种情况,找到一个 lcs 中的字符,同时将 i j 向前移动一位,并给 lcs 的长度加一;对于后者,则尝试两种情况,取更大的结果。
其实这段代码就是暴力解法,我们可以通过备忘录或者 DP table 来优化时间复杂度,比如通过前文描述的 DP table 来解决:
def longestCommonSubsequence(str1, str2) -> int:
m, n = len(str1), len(str2)
# 构建 DP table 和 base case
dp = [[0] * (n + 1) for _ in range(m + 1)]
# 进行状态转移
for i in range(1, m + 1):
for j in range(1, n + 1):
if str1[i - 1] == str2[j - 1]:
# 找到一个 lcs 中的字符
dp[i][j] = 1 + dp[i-1][j-1]
else:
dp[i][j] = max(dp[i-1][j], dp[i][j-1])
return dp[-1][-1]
二、疑难解答 对于 s1[i] 和 s2[j] 不相等的情况,至少有一个字符不在 lcs 中,会不会两个字符都不在呢?比如下面这种情况:
所以代码是不是应该考虑这种情况,改成这样:
if str1[i - 1] == str2[j - 1]:
# ... else:
dp[i][j] = max(dp[i-1][j],
dp[i][j-1],
dp[i-1][j-1])
我一开始也有这种怀疑,其实可以这样改,也能得到正确答案,但是多此一举,因为 dp[i-1][j-1] 永远是三者中最小的,max 根本不可能取到它。
原因在于我们对 dp 数组的定义:对于 s1[1…i] 和 s2[1…j],它们的 LCS 长度是 dp[i][j]。
这样一看,显然 dp[i-1][j-1] 对应的 lcs 长度不可能比前两种情况大,所以没有必要参与比较。
三、总结 对于两个字符串的动态规划问题,一般来说都是像本文一样定义 DP
table,因为这样定义有一个好处,就是容易写出状态转移方程,dp[i][j] 的状态可以通过之前的状态推导出来:
找状态转移方程的方法是,思考每个状态有哪些「选择」,只要我们能用正确的逻辑做出正确的选择,算法就能够正确运行。
_____________
作者:labuladong
链接:https://leetcode-cn.com/problems/longest-common-subsequence/solution/dong-tai-gui-hua-zhi-zui-chang-gong-gong-zi-xu-lie/
来源:力扣(LeetCode) 著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。
新年新气象,一天一题 锻炼自己的思维.加油浮华