LeetCode32 【最长有效括号】 -动态规划

算法描述

动态规划算法通常用于求解具有某种最优性质的问题。在这类问题中，可能会有许多可 行解。
每一个解都对应于一个值，我们希望找到具有最优值的解。动态规划算法与分治法类似，其基本思想也是将待求解问题分解成若干个子问题，先求解子问题，然后从这些子问题的解得到原问题的解。
与分治法不同的是，适合于用动态规划求解的问题，经分解得到子问题往往不是互相独立的。
若用分治法来解这类问题，则分解得到的子问题数目太多，有些子问题被重复计算了很多次。
如果我们能够保存已解决的子问题的答案，而在需要时再找出已求得的答案，这样就可以避免大量的重复计算，节省时间。我们可以用一个表来记录所有已解的子问题的答案。不管该子问题以后是否被用到，只要它被计算过，就将其结果填入表中。
这就是动态规划法的基本思路。具体的动态规划算法多种多样，但它们具有相同的填表格式。

1：题目描述

给你一个只包含 '(' 和 ')' 的字符串，找出最长有效（格式正确且连续）括号子串的长度

2：测试案例

 测试案例1：

输入：s = “(()”
输出：2
解释：最长有效括号子串是 “()”

 测试案例2：

输入：s = “)()())”
输出：4
解释：最长有效括号子串是 “()()”

提示：

0 <= s.length <= 3 * 10^4
s[i] 为 ‘(’ 或 ‘)’

3：解题思路

当前，自己对于DP算法的理解：求解一个大问题，分解成子问题进行求解，子问题求解出来后，其答案不会被后面的问题干扰，对该子问题不需要再次进行计算，直接取计算好的结果即可。

4：代码解析

class Solution {
public:
    int longestValidParentheses(string s) 
    {
    //动态规划解答
	int maxlen = 0;
	const int len = s.size();
	vector<int> dp(len, 0);//声明存储结果的DP表,并初始化为0
	for (int i = 1; i < len; ++i)
	{
		if (s[i] == ')')
		{
			if (s[i - 1] == '(')
				dp[i] = (i - 2>=0?dp[i - 2]:0) + 2;
			else
				if (i - dp[i - 1] > 0 && s[i - dp[i - 1] - 1] == '(') {
					dp[i] = dp[i - 1] + ((i - dp[i - 1]) > 2 ? dp[i - dp[i - 1] - 2] : 0) + 2;
				}
			maxlen = max(maxlen, dp[i]);
		};
	};
	return maxlen;
    }
};

5：题目总结

本篇文章主要记录动态规划，后续会再次进行修改，由于自己对动态规划的了解还是比较浅，使用难度较大，思维过于灵敏。