问题描述(Leetcode 300. 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。
提示:以下是本篇文章正文内容,下面案例可供参考
一、动态规划
动态规划首先要明确每个状态的含义,以及如何从上一个状态转换到下一个状态;
dp[i]:表示已nums[i]为结尾的递增子序列的长度;
状态转换:
dp[i]=max(dp[0],dp[1],…,dp[i-1])+1;(nums[i]>nums[j](0<j<i))
我们对[0,3,1,6,2,2,7]这个数组演示一番
我们对每个dp的值都初始化为1,下面为了方便展示过程,后面的dp值先不展示
当i=0时,前面没有对比值,所以dp[0]=1;
当i=1时,比前面大的值是下标0(nums[1]>nums[0]),所以dp[1]=dp[0]+1
当i=2时,比前面大的值是下标0,所以dp[2]=dp[0]+1
当i=3时,比前面大的值是下标0,1,2,所以dp[3]=max(dp[0],dp[1],dp[2])+1
当i=4时,比前面大的值是下标0,2,所以dp[4]=max(dp[0],dp[2])+1
当i=5时,比前面大的值是下标0,2,所以dp[5]=max(dp[0],dp[2])+1
当i=6时,比前面大的值是下标0,1,2,3,4,5,所以dp[6]=max(dp[0],dp[2],dp[3],dp[4],dp[5])+1
最后再比较dp值取出最大值
二、贪心+二分
既然为了求解递增最长子序列,我们为何不维持一个最长子序列的状态;
此时dp数组代表的是我们构建的最长子序列(并不是子序列,而是为了维持长度的状态)
我们对nums进行遍历,若nums[i]>dp[len],则dp[++len]=nums[i];否则在dp中寻找第一个nums[i]<=dp[j]的j值,将dp[j]=nums[i];
我们对[0,3,1,6,2,2,7]这个数组演示一番:
当i=0时,第一个数先进去dp数组:
dp=[0];
当i=1时,3>0,进入数组:
dp=[0,3];
当i=2时,1<3,在dp中找到第一个大于等于他的值替换掉:
dp=[0,1];
当i=3时,6>1,进入数组:
dp=[0,1,6];
当i=4时,2<6,在dp中找到第一个大于等于他的值替换掉:
dp=[0,1,2];
当i=5时,2=2,在dp中找到第一个大于等于他的值替换掉:
dp=[0,1,2];
当i=6时,7>2,进入数组:
dp=[0,1,7];
最终返回数组dp的长度;
注意:这个样例中没有展现出一种情况,就是在dp中找到第一个大于等于他的值替换掉这一步中,会出现dp中的序列不是nums的子序列的情况;就像我前面说的一样:此时dp数组代表的是我们构建的最长子序列(并不是子序列,而是为了维持长度的状态);我们并不是维持一个真正的最长子序列,而是维持其长度;
我们希望每个dp[i]在其固定长度下的值能尽可能的小。
但有人会问,如果在中间替换会影响整体的过程吗?
其实并不会,从长度来说,替换时的dp长度没有变化,那么并不会对前面的操作有影响;对于该值后面的操作来说,如果是长度变长,那与中间的值无关:如果是替换,替换在该值之前,那么上面说了替换不会对前面的操作有影响,若替换在后面,俩个的子序列顺序状态也满足。
三.俩种方法的差别
1.时间
动态规划的方法的时间复杂度是O(nn),贪心+二分是O(nlogn),如果只需要知道长度,那么第二种方法是更快的。
2.状态
由上面的描述可知,贪心+二分只能知道长度而没法提取出一个最长递增子序列数组处理;而动规中的dp值其实就是最长递增子序列的下标,可以提取出一个最长递增子序列数组