方法一:动态规划
时间复杂度: O(N×M)。
空间复杂度: O(N×M)。
N 表示数组 A 的长度,M 表示数组 B 的长度。
空间复杂度还可以再优化,利用滚动数组可以优化到 O(min(N,M))。
代码实现:
数组A=[1,2,3,2,1]
数组B=[3,2,1,4,7]
public int findLength(int []A,int []B){
int n = A.length, m = B.length;
int[][] dp = new int[n + 1][m + 1];
int ans = 0;
for (int i = n - 1; i >= 0; i--) {
for (int j = m - 1; j >= 0; j--) {
dp[i][j] = A[i] == B[j] ? dp[i + 1][j + 1] + 1 : 0;
ans = Math.max(ans, dp[i][j]);
}
}
return ans;
}
代码执行流程分析及结果图:
最长的公共子数组就是上面红色所对应的[3,2,1],长度是3。
方法二:滑动窗口
时间复杂度:O((N+M)×min(N,M))。
空间复杂度:O(1)。
N 表示数组 A 的长度,M 表示数组 B 的长度。
代码实现:
public int findLength2(int[] A, int[] B) {
int n = A.length, m = B.length;
int ret = 0;
//窗口向右滑动
for (int i = 0; i < n; i++) {
int len = Math.min(m, n - i);
int maxlen = maxLength(A, B, i, 0, len);
ret = Math.max(ret, maxlen);
}
//窗口向左滑动
for (int i = 0; i < m; i++) {
int len = Math.min(n, m - i);
int maxlen = maxLength(A, B, 0, i, len);
ret = Math.max(ret, maxlen);
}
return ret;
}
//求每次滑动窗口后最长的公共子数组长度
public int maxLength(int[] A, int[] B, int addA, int addB, int len) {
int ret = 0, k = 0;
for (int i = 0; i < len; i++) {
if (A[addA + i] == B[addB + i]) {
k++;
} else {
k = 0;
}
ret = Math.max(ret, k);
System.out.println(i+" "+ret);
}
return ret;
}
代码执行流程分析及结果图:
最长的公共子数组就是上面红色所对应的[3,2,1],长度是3。是在第一个for循环是i=3,len=2,的时候取得。
总结:
其实两种方法的本质是一样的,滑动窗口法相当于用时间复杂度换得动态规划法的空间复杂度。看做滑动窗口法容易理解一些,如两个数组A、B,都相当于移动数组B,使得B数组的起始位置对应第A数组的不同位置,然后求得两个数组公共部分的最长相同子数组的长度,依次类推,求出每个起始位置对应的相同子数组长度,然后取最大值即可。