最长回文子序列dp到底如何实现？怎么优化？

最长回文子序列的动态规划优化，你以为很简单？但真的是这样吗？

你以为最长回文子序列问题不过是个小小的动态规划问题，稍微动动脑子，随便写几行代码就能搞定？哈哈，太天真了！别急，先别走开，今天我就带你见识一下，如何通过动态规划玩出花样，还能把空间复杂度狠狠压缩，真正实现算法的优雅与高效。

问题定义

给定一个字符串 s，需要找到 s 的最长回文子序列的长度。回文子序列是指正读和反读相同的子序列。

DP 基本思路

设 dp[i][j] 表示字符串 s 在区间 [i, j] 内的最长回文子序列长度。我们可以通过以下递推关系来构建 DP 表：

1. 初始状态：

   • 当 i == j 时，dp[i][j] = 1，因为单个字符本身就是一个回文子序列。
   • 当 i > j 时，dp[i][j] = 0，这种情况是非法的，不存在子序列。

2. 状态转移方程：

   • 如果 s[i] == s[j]，那么 dp[i][j] = dp[i+1][j-1] + 2。这是因为 s[i] 和 s[j] 相等，可以将它们包围在 dp[i+1][j-1] 的最长回文子序列的两端，形成新的回文子序列。
   • 如果 s[i] != s[j]，那么 dp[i][j] = max(dp[i+1][j], dp[i][j-1])。此时只能选择丢弃其中一个字符，来寻找剩余部分的最长回文子序列。

你以为就是一张二维表？但真的是这样吗？

很多人都会第一时间想到二维DP表。是的，没错，我们可以通过一个 n * n 的表来存储子问题的解，甚至用 O(n^2) 的空间来轻松搞定问题。但等等，你真的以为这样就是最佳解法了吗？难道我们就甘心随便写写，浪费那么多宝贵的空间吗？作为一个技术追求完美的程序员，我们必须逼自己一把，把这玩意优化到极致！

滚动数组，原来空间可以这么省！

现在，问题来了，怎么做才能既保持时间复杂度的高效，又把空间复杂度优化得更低呢？答案就是——滚动数组！没错，只需要两个简单的一维数组，你就可以让空间复杂度从 O(n^2) 降到 O(n)，对，就是这么酷炫！

让我们深入看看这个骚操作。你还记得我们的DP表是如何更新的吗？是不是只用到了 dp[i+1][j-1]、dp[i+1][j] 和 dp[i][j-1]？嘿，这就是关键！我们其实只需要当前行和上一行的状态来推导新的一行。其他的？统统扔掉，根本不需要记！

这里就是具体的代码实现，准备好了吗？

int longestPalindromeSubseq(string s) {
    int n = s.size();
    vector<int> dp_curr(n, 0), dp_prev(n, 0);  // 两个一维数组

    for (int i = n - 1; i >= 0; --i) {
        dp_curr[i] = 1;  // 单个字符的回文长度为1
        for (int j = i + 1; j < n; ++j) {
            if (s[i] == s[j]) {
                dp_curr[j] = dp_prev[j - 1] + 2;  // 如果两边字符相等
            } else {
                dp_curr[j] = max(dp_curr[j - 1], dp_prev[j]);  // 否则取最大值
            }
        }
        dp_prev = dp_curr;  // 更新前一行
    }
    return dp_curr[n - 1];  // 返回最长回文子序列的长度
}

你看，就是这么简单的几行代码，却能让你在算法竞赛中迅速脱颖而出。注意到关键点了吗？每次我们计算 dp_curr[j] 的时候，只用关心上一行 dp_prev 的值和当前行 dp_curr 的前一个值。所有不需要的信息都被无情抛弃了！这就是空间优化的力量。

如何理解这段代码？

为什么这段代码如此有效？深挖一下，我们可以发现：

1. 初始状态：对于每个 i，dp_curr[i] 初始化为 1，表示每个单字符的回文长度。
2. 双层循环：外层循环从字符串尾部向前遍历，内层从 i+1 开始向后遍历。这样可以保证每次计算 dp_curr[j] 时，前面的值都已经被正确更新。
3. 状态转移：当 s[i] == s[j] 时，表示两边字符可以围成一个更长的回文，所以加上 dp_prev[j-1] 的值；否则，我们只能选择 dp_curr[j-1] 或 dp_prev[j] 中较大的一个。

这段代码不仅逻辑清晰，而且极具扩展性。当你掌握了这个优化技巧，类似的DP问题，你都可以用类似的方法来进行空间优化。

学会了吗？那就赶紧实践一下！

到这里，很多人可能已经迫不及待地想去实践了！但我得提醒你，理论与实践结合，才是让你真正掌握这个优化技巧的唯一途径。下次再遇到类似的问题，别忘了这次的学习！这不仅仅是为了优化空间复杂度，而是为了让你在算法的世界里如鱼得水！