动态规划
子结构为:在前i个元素中,以第i个元素结尾的最长上升子串的长度,dp[i] .最终要求的就是max(dp[0], dp[i]):前i个元素中,以某个元素结尾的最长上升子串
从dp[i-1] 到dp[i] 的推导过程(转移过程): 遍历i之前的元素,nums[j] (0 <= j <= i-1) ; if nums[j] < nums[i] : dp[i] = max(dp[i] , dp[j] + 1)
也就是:dp[i]=max(dp[j])+1,其中0≤j<i且num[j]<num[i]
就是考虑nums[i] 之前的元素,找到nums[i] 大于的元素 nums[j] ,那么以nums[i]元素结尾的最长子串的长度在这个dp[j] 的基础上扩大1,
即: dp[i] = dp[j] + 1, 对每一个这样nums[j] 遍历一次,就可以更新当前的dp[i].
参考于:https://leetcode-cn.com/problems/longest-increasing-subsequence/solution/zui-chang-shang-sheng-zi-xu-lie-by-leetcode-soluti/
class Solution:
def lengthOfLIS(self, nums: List[int]) -> int:
length = len(nums)
if length == 0 : return 0
dp = [0]*length
dp[0] = 1
maxLen = 1
for i in range(1,length):
# print("nums[i]", nums[i])
tenMaxLen = 1
for j in range(i):
if nums[j] < nums[i]:
tenMaxLen = max(tenMaxLen, dp[j]+1)
dp[i] = tenMaxLen
# print("dp[i], i", dp[i], i)
maxLen = max(maxLen,dp[i])
return maxLen
贪心解法:
要想用动态规划,必须找到在问题规模上的子结构,在前n-1个元素中,我求的什么样的结果会有利于求解前n个元素的问题,假如我求得前n-1个元素的最长上升子序列后,想要求前n个元素的最长上升子序列,发现不行,我必须求得前n-1个元素的所有的上升子序列长度,包括最长的那个,还要知道每个上升子序列的最后一个元素的值。于是就有了上面的动态规划解法,先求得前n-1个元素的问题,得到以每一个元素结尾的上升子序列的长度,然后就可求得前n个元素的所有上升子序列的长度,然后挑一个最长的就可以了。
对于贪心解法,因为是求最长的上升子序列,对于上面动态规划的解法,如果有两个元素nums[j]< nums[k],以他们结尾的上升子序列长度都是3,这是又来了一个元素,来更新之前的解。如果这个元素nums[m]恰好大于nums[j],那么可以更新以nums[m] 结尾的最长上升子序列的长度为3+1。不过同样为长度3的nums[k]是没有作用的,于是有了贪心的解法。而且nums[m]更新为长度为4的最长上升子序列后,如果之前存在比nums[m]小的,同样为4的长度的最长上升子串,那么也会让该节点失效。
贪心解法:只是保存每个长度的最长上升子串的最后一个元素,但是这个最后的这个元素每次更新都是用更小的值来更新。
维护一个数组dp,第一个元素代表长度为1的最长上升子序列->它的最后一个元素dp[0], 第二个元素代表长度为2的最长上升子序列->它的最后一个元素dp[1], …
第i个元素代表长度为i的最长上升子序列-> 它的最后一个元素dp[i-1]
dp[0], dp[1],dp[2],…dp[n] 是递增的,因为每次拿到一个数nums[i],都需要在dp数组中找到一个切分点,[ dp[0],dp[1],…dp[k] ] < nums[i] <=(只能<) [dp[k+1],dp[k+2], …, dp[n] ], 这个切分点为[k+1,k+1): 表明在通往k+1 的节点过程中断了,以此将数组切成两边,这是二分法查找切分的技巧。
找到这个切分后,再更新dp[k+1] = nums[i]. 从这个更新的过程可以看出,只有nums[i] 大于所有的dp元素,才会在dp数组后面新增一个元素dp[n+1] = nums[i]
class Solution:
def lengthOfLIS(self, nums: List[int]) -> int:
length = len(nums)
if length == 0: return 0
dp = []
dp.append(nums[0]) # dp[0] = nums[0]
for i in range(1,length):
target = nums[i]
lo = 0; hi = len(dp)
while lo < hi:
mi = (lo + hi) // 2
if dp[mi] < target:
lo = mi + 1
# print("lo in bin", lo)
else:
hi = mi
if lo == len(dp): dp.append(target)
else :
dp[lo] = target
# print("dp",dp)
return len(dp)