1、最长递增子序列
//给你一个整数数组 nums ,找到其中最长严格递增子序列的长度。
//
// 子序列是由数组派生而来的序列,删除(或不删除)数组中的元素而不改变其余元素的顺序。例如,[3,6,2,7] 是数组 [0,3,1,6,2,2,7] 的子序
//列。
//
//
// 示例 1:
//
//
//输入:nums = [10,9,2,5,3,7,101,18]
//输出:4
//解释:最长递增子序列是 [2,3,7,101],因此长度为 4 。
//
//
// 示例 2:
//
//
//输入:nums = [0,1,0,3,2,3]
//输出:4
//
//
// 示例 3:
//
//
//输入:nums = [7,7,7,7,7,7,7]
//输出:1
//
//
//
//
// 提示:
//
//
// 1 <= nums.length <= 2500
// -104 <= nums[i] <= 104
//
//
//
//
// 进阶:
//
//
// 你可以设计时间复杂度为 O(n2) 的解决方案吗?
// 你能将算法的时间复杂度降低到 O(n log(n)) 吗?
//
// Related Topics 数组 二分查找 动态规划
方法一:动态规划
动态规划维护一个数组,保存着以nums[i]结尾的最长递增子序列的长度,所以我们可以写出状态转移方程:
dp[i]=max(dp[j]+1),其中0<=j<i且nums[j]<num[i]
于是只要我们的num[i]>num[j]就可以在已有的递增子序列中新增一个元素,然后我们遍历前面的dp[j]然后取最大值进行加1
边界条件dp[0]=1
public int lengthOfLIS(int[] nums) {
//方法一:采用动态规划的方法,这里维护的dp是保存着以nums[i]结尾的最长递增子序列的长度
if(nums == null || nums.length == 0){
return 0;
}
int[] dp = new int[nums.length];
dp[0] = 1;
int maxans = 1;
for (int i = 1; i < nums.length; i++) {
dp[i] = 1;
for (int j = 0; j < i; j++) {
if(nums[i] > nums[j]){
dp[i] = Math.max(dp[j] + 1, dp[i]);
}
}
maxans = Math.max(dp[i], maxans);
}
return maxans;
方法二:采用贪心算法+二分查找法
贪心的思想主要就是当我们的子序列
新定义一个数组,dp[i]表示长度为i的上升子序列末尾的最小值。而且我们通过遍历数组,不断更新数组d,如果nums[i]>d[j]那么直接有d[j+1]=num[i],如果nums[i]<d[j],那么就需要在0到j的这个范围找到刚好小于nums[i]的数dp[k],然后又dp[k+1]=num[i],最后如果nums[i]小于dp数组中的所有值,那么就需要将dp[1]=num[i]。
这里需要注意的是最后d数组并不是我们得到的最长递增子序列数组,而只是维护了一种递增关系而已,反例如下:
以输入序列 [0, 8, 4, 12, 2] 为例:
- 第一步插入 0,d = [0];
- 第二步插入 8,d = [0, 8];
- 第三步插入 4,d = [0, 4];
- 第四步插入 12,d = [0, 4, 12];
- 第五步插入 2,d = [0, 2, 12]。
最终得到最大递增子序列长度为 3。
class Solution {
public int lengthOfLIS(int[] nums) {
int len = 1, n = nums.length;
if (n == 0) {
return 0;
}
int[] d = new int[n + 1];
d[len] = nums[0];
for (int i = 1; i < n; ++i) {
if (nums[i] > d[len]) {
d[++len] = nums[i];
} else {
int l = 1, r = len, pos = 0; // 如果找不到说明所有的数都比 nums[i] 大,此时要更新 d[1],所以这里将 pos 设为 0
while (l <= r) {
int mid = (l + r) >> 1;
if (d[mid] < nums[i]) {
pos = mid;
l = mid + 1;
} else {
r = mid - 1;
}
}
d[pos + 1] = nums[i];
}
}
return len;
}
}
2、最佳买卖股票时机汉冷冻期
//给定一个整数数组,其中第 i 个元素代表了第 i 天的股票价格 。
//
// 设计一个算法计算出最大利润。在满足以下约束条件下,你可以尽可能地完成更多的交易(多次买卖一支股票):
//
//
// 你不能同时参与多笔交易(你必须在再次购买前出售掉之前的股票)。
// 卖出股票后,你无法在第二天买入股票 (即冷冻期为 1 天)。
//
//
// 示例:
//
// 输入: [1,2,3,0,2]
//输出: 3
//解释: 对应的交易状态为: [买入, 卖出, 冷冻期, 买入, 卖出]
// Related Topics 数组 动态规划
这是一个稍微复杂亿点点的动态规划,但是理清关系就比较好解决,注释里都有了。
public int maxProfit(int[] prices) {
//分析一下一共有三种情况:持有股票,不持有股票且处于冷冻期,不持有股票且不处于冷冻期
//这里说的处于冷冻期就是在第i天结束之后的下一天是冷冻期
//分别用dp[i][0],dp[i][1],dp[i][2]
//1.对于dp[i][0]有两种情况,即第i-1就已经对股票持有了,还有在第i天买入了新的股票
//dp[i][0] = max(dp[i-1][0],dp[i-1][2] - prices[i])
//2.对于dp[i][1]说明当天肯定有股票卖出并且前一天持有股票
//dp[i][1] = dp[i-1][0] + prices[i];
//3.对于dp[i][2],说明在当天没有任何的买入和卖出的操作,所以它还是有两种情况,即前一天就不属于冷冻期还有前一天就是冷冻期
//dp[i][2] = max(dp[i-1][2],dp[i-1][1])
//最后说一些边界条件
//dp[0][0] = -prices[0]
//dp[0][1] = 0
//dp[0][2] = 0
//最后我们输出的结果是Math.max(dp[n][1],dp[n][2]),因为最后一天持有股票肯定是没有任何意义的,也算不上收益
int n = prices.length;
if(n == 0){
return 0;
}
int[][] dp = new int[n][3];
dp[0][0] = -prices[0];
dp[0][1] = 0;
dp[0][2] = 0;
for (int i = 1; i < n; i++) {
dp[i][0] = Math.max(dp[i-1][0],dp[i-1][2] - prices[i]);
dp[i][1] = dp[i-1][0] + prices[i];
dp[i][2] = Math.max(dp[i-1][1], dp[i-1][2]);
}
return Math.max(dp[n-1][1], dp[n-1][2]);
}