1143. 最长公共子序列 对于动态规划的自我反省

今天看到了一句话，算法题，首先是对于思路的整理，不是先有算法或者方程再有的思路，而是在写代码之前，将自己的思路进行代码式呈现，今天总结一下动态规划吧，这方面一直是自己的弱势，如其说是弱势，不如说是做的题不能匹配想法，很多自己直接做出来的动态规划都是很显而易见的，但是对于思路还不是特别清晰，动态规划很多都是最大子串，最大子序列什么的问题，下面列出最大子序列题：

首先确定一下这道题是动态规划题型，我们标记任何位置的i和j，i是text1的标记位置，j是text2的标记位置，如果i和j所处位置的字符相同，那么dp[i][j]等于什么呢？ 是不是等于dp[i-1][j]或者dp[i][j-1]呢？也就是：

(1) 如果S的最后一位等于T的最后一位，则最大子序列就是{s1,s2,s3...si-1}和{t1,t2,t3...tj-1}的最大子序列+1

(2) 如果S的最后一位不等于T的最后一位，那么最大子序列就是

① {s1,s2,s3..si}和 {t1,t2,t3...tj-1} 最大子序列

② {s1,s2,s3...si-1}和{t1,t2,t3....tj} 最大子序列

以上两个自序列的最大值

动态方程已经产生了，那么我们将代码贴出，如下：

    public int longestCommonSubsequence(String text1, String text2) {
        int n1 = text1.length(), n2 = text2.length();
        int[][] dp = new int[n1 + 1][n2 + 1];
        for (int i = 1; i <= n1; i++) {
            for (int j = 1; j <= n2; j++) {
                if (text1.charAt(i - 1) == text2.charAt(j - 1)) {
                    dp[i][j] = dp[i - 1][j - 1] + 1;
                } else {
                    dp[i][j] = Math.max(dp[i - 1][j], dp[i][j - 1]);
                }
            }
        }
        return dp[n1][n2];
    }