动态规划——两个子序列的最大点积

问题来源：leetcode 1458。

两个子序列的最大点积

给你两个数组 nums1 和 nums2。

请你返回 nums1 和 nums2 中两个长度相同的 非空 子序列的最大点积。

数组的非空子序列是通过删除原数组中某些元素（可能一个也不删除）后剩余数字组成的序列，但不能改变数字间相对顺序。比方说，[2,3,5] 是 [1,2,3,4,5] 的一个子序列而 [1,5,3] 不是。

示例 1：

输入：nums1 = [2,1,-2,5], nums2 = [3,0,-6]
输出：18
解释：从 nums1 中得到子序列 [2,-2] ，从 nums2 中得到子序列 [3,-6] 。
它们的点积为 (2*3 + (-2)*(-6)) = 18 。

示例 2：

输入：nums1 = [3,-2], nums2 = [2,-6,7]
输出：21
解释：从 nums1 中得到子序列 [3] ，从 nums2 中得到子序列 [7] 。
它们的点积为 (3*7) = 21 。

示例 3：

输入：nums1 = [-1,-1], nums2 = [1,1]
输出：-1
解释：从 nums1 中得到子序列 [-1] ，从 nums2 中得到子序列 [1] 。
它们的点积为 -1 。

提示：

• 1 <= nums1.length, nums2.length <= 500
• -1000 <= nums1[i], nums2[i] <= 100

动态规划

优化子结构：设 $x_i$ 表示数组 nums1 中的第 $i$ 的元素，$y_j$ 表示数组 nums2 中的第 $j$ 个元素。证明原问题的最优解包含子问题的最优解，或者说原问题的最优解可以由子问题的最优解构造得到。设 $X_n=[x_1,...,x_n]$，$Y_m=[y_1,...,y_m]$，设 $X$ 和 $Y$ 子序列的最大点积为 $dp[n][m]$：

• 如果 $x_n$ 和 $y_m$ 的点积被包含在该最优解中，那么子问题 $X_{n-1}$ 和 $Y_{m-1}$ 子序列的最大点积 $dp[n-1][m-1]$ 为 $dp[n][m]-x_n\cdot y_m$，也就是说只需要求解子问题 $dp[n-1][m-1]$，可以通过反证法证明：假设不是最优解，那么存在一个更大的子序列的点积 $d{p}^{{}^{\prime }}[n-1][m-1]$，在此基础上加上 $x_n\cdot y_m$，会得到一个比 $dp[n][m]$ 更大的点积，与 $dp[n][m]$ 是 $X_n$ 和 $Y_m$ 子序列的最大点积矛盾，所以在该情况下原问题的最优解包含其子问题的最优解，即 $dp[n][m]=dp[n-1][m-1]+x_n\cdot y_m$。
• 如果 $x_n$ 和 $y_m$ 的点积不在最优解中，那么组成 $X_n$ 和 $Y_m$ 子序列的最大点积的子序列的结尾不可能同时为 $x_n$ 和 $y_m$：
  • 如果 $x_n$ 不参与最大点积的计算，那么 $X_n$ 与 $Y_m$ 子序列的最大点积可以是 $X_{n-1}$ 与 $Y_m$ 子序列的最大点积，即 $dp[n][m]=dp[n-1][m]$，也就是说只需要求解子问题 $dp[n-1][m]$，反证法容易证明。
  • 如果 $y_m$ 不参与最大点积的计算，那么 $X_n$ 与 $Y_m$ 子序列的最大点积可以是 $X_n$ 与 $Y_{m-1}$ 子序列的最大点积，即 $dp[n][m]=dp[n][m-1]$，只需要求解子问题 $dp[n][m-1]$。
  • 如果 $x_n$ 和 $y_m$ 均不参与最大点积的计算，那么 $X_n$ 和 $Y_m$ 子序列的最大点积可以是 $X_{n-1}$ 与 $Y_{m-1}$ 子序列的最大点积，即 $dp[n][m]=dp[n-1][m-1]$，只需要求解子问题 $dp[n-1][m-1]$。
• 以上四种情况覆盖了求解 $X_n$ 和 $Y_m$ 子序列最大点积的全部情况，从中选取使得 $dp[n][m]$ 最大的解的构造方式。

重叠子问题：举例说明计算 $dp[2][2]$ 时，需要计算子问题 $dp[1][2]$，$dp[2][1]$ 和 $dp[1][1]$，而子问题 $dp[1][2]$ 计算时也需要计算 $dp[1][1]$，子问题 $dp[1][1]$ 被重复计算，所以存在重叠子问题。

递归地定义最优解的值：设 $dp[i][j]$ 表示数组 $X_i=[x_1,...,x_i]$ 和 $Y_j=[y_1,...,y_j]$ 的子序列的最长点积：

• 当 $i=1$ 时，$dp[1][j]$ 为 m a x {   x 1 ⋅ y k ,   k ≤ j   } max\{\ x_1 \cdot y_k,\ k \leq j \ \} max{ x1​⋅yk​, k≤j }；
• 当 $j=1$ 时，$dp[i][1]$ 为 m a x {   x k ⋅ y 1 ,   k ≤ i   } max\{\ x_k \cdot y_1,\ k \leq i \ \} max{ xk​⋅y1​, k≤i }；
• 当 $i>1$ 且 $j>1$ 时:
  d p [ i ] [ j ] = m a x {   d p [ i − 1 ] [ j − 1 ] ,   d p [ i − 1 ] [ j − 1 ] + x i y j ,   d p [ i − 1 ] [ j ] ,   d p [ i ] [ j − 1 ]   } dp[i][j] = max\{\ dp[i-1][j-1],\ dp[i-1][j-1] + x_iy_j,\ dp[i-1][j],\ dp[i][j-1]\ \} dp[i][j]=max{ dp[i−1][j−1], dp[i−1][j−1]+xi​yj​, dp[i−1][j], dp[i][j−1] }

自底向上地计算最优解的值：自左向右、自上而下地计算 $dp$ 数组的值，可以保证每个问题计算时相关的子问题均已经被计算过了。

class Solution {
public:
    int maxDotProduct(vector<int>& nums1, vector<int>& nums2) {
        // 二维数组
        int n = nums1.size(), m = nums2.size();
        vector<vector<int>> dp(n, vector<int>(m, 0));
        dp[0][0] = nums1[0] * nums2[0];
        for(int i=1; i<n; i++) {
            dp[i][0] = max(dp[i-1][0], nums1[i] * nums2[0]);
        }
        for(int j=1; j<m; j++) {
            dp[0][j] = max(dp[0][j-1], nums1[0] * nums2[j]);
        }
        for(int i=1; i<n; i++) {
            for(int j=1; j<m; j++) {
                dp[i][j] = max(max(dp[i][j-1], dp[i-1][j]), (dp[i-1][j-1] > 0 ? dp[i-1][j-1] : 0) + nums1[i] * nums2[j]);
            }
        }
        return dp[n-1][m-1];
    }
};