干tm的算法6:最长公共子序列

最新推荐文章于 2023-01-23 20:24:41 发布

我是浮华

最新推荐文章于 2023-01-23 20:24:41 发布

阅读量247

点赞数

分类专栏：算法干tm的

本文链接：https://blog.csdn.net/qq_32871365/article/details/111879838

版权

算法干tm的专栏收录该内容

9 篇文章 0 订阅

订阅专栏

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：

在这里插入图片描述

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

漫漫长路，一个小周跟他一个小陈朋友一起努力奔跑。

我是浮华

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
干tm的算法6:最长公共子序列

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
复制链接

扫一扫