【动态规划】关于编辑距离计算的思考

【动态规划】关于编辑距离计算的思考

天下难事，必作于易。 -------- 老子·德经·第六十三章

题目见leetcode:72. 编辑距离

在发布这篇文章之前，关于动态规划算法的运用，我依然是云里雾里，不知题目之所云。幸运的是，在学习了多位up主的教学视频后，对该算法有了一些见地，希望尽自己最大努力将编辑距离的求解过程完整叙述。 【----笔者云】

我将遵循以下原则进行内容分享:
1.如果一件事无法被理解，只是因为它的细节未被完全掌握，而不是我不够聪明；
2.如果事情过于复杂，无从下手，那就拆解它；
3.如果事情依然无法被完美解决,那就考虑这件事本身是否真正值得被解决

1.拆解题目

1. 编辑距离:word1变换为word2的操作次数
2. 操作:插入,删除,替换(每执行一次,操作数+1)
3. 判断条件:衡量标准是word1[i-1] == word2[j-1]

注意:word1插入一个字符后，与word2相同，等价于word2删除一个字符后与word1相同

2.编程思路

1. 设置dp[i][j]最少操作数
   1. dp[i][]记录word1的操作
   2. dp[][j]记录word2的操作
2. 记录状态
   1. word1删除一个字符满足条件:dp[i][j] = dp[i-1][j] + 1
   2. word1插入一个字符满足条件:dp[i][j] = dp[i][j-1] + 1
   3. word1替换一个字符满足条件:dp[i][j] = dp[i-1][j-1] + 1
   4. word1无操作即满足条件:dp[i][j] = dp[i-1][j-1]

注意:为什么设置dp[i][j],而条件设置为word1[i-1] == word2[j-1]？
方便dp数组初始化，其中dp[-1][j]与dp[i][-1]就代表,将word1和word2转换为空字符串的最小操作数。

3.求解代码

class Solution(object):
    def minDistance(self, word1, word2):
        """
        :type word1: str
        :type word2: str
        :rtype: int
        """
        n = len(word1)
        m = len(word2)
        if n * m == 0:
            return n + m
        dp = [[0] * (m + 1) for _ in range(n + 1)]
        for i in range(0,len(word1) + 1):
            dp[i][0] = i
        for j in range(0,len(word2) + 1):
            dp[0][j] = j
        for i in range(1, len(word1) + 1):
            for j in range(1, len(word2) + 1):
                if word1[i-1] == word2[j-1]:
                    dp[i][j] = dp[i-1][j-1]
                else :
                    dp[i][j] = min(dp[i-1][j] + 1, dp[i][j-1] + 1, dp[i-1][j-1] + 1)
        return dp[i][j]