LeetCode刷题复盘笔记—一文搞懂动态规划之673. 最长递增子序列的个数问题（动态规划系列第二十八篇）

今日主要总结一下动态规划的一道题目，673. 最长递增子序列的个数

题目：673. 最长递增子序列的个数

Leetcode题目地址
题目描述：
给定一个未排序的整数数组 nums ， 返回最长递增子序列的个数 。

注意 这个数列必须是 严格 递增的。

示例 1:

输入: [1,3,5,4,7]
输出: 2
解释: 有两个最长递增子序列，分别是 [1, 3, 4, 7] 和[1, 3, 5, 7]。

示例 2:

输入: [2,2,2,2,2]
输出: 5
解释: 最长递增子序列的长度是1，并且存在5个子序列的长度为1，因此输出5。

提示:

1 <= nums.length <= 2000
-106 <= nums[i] <= 106

本题重难点

这道题可以说是 一文搞懂动态规划之300. 最长递增子序列问题的进阶版本

1. 确定dp数组（dp table）以及下标的含义
   这道题目我们要一起维护两个数组。
   dp[i]：i之前（包括i）最长递增子序列的长度为dp[i]
   count[i]：以nums[i]为结尾的字符串，最长递增子序列的个数为count[i]

2. 确定递推公式
   在 一文搞懂动态规划之300. 最长递增子序列问题中，我们给出的状态转移是：
   if (nums[i] > nums[j]) dp[i] = max(dp[i], dp[j] + 1);
   即：位置i的最长递增子序列长度 等于j从0到i-1各个位置的最长升序子序列 + 1的最大值。
   本题就没那么简单了，我们要考虑两个维度，一个是dp[i]的更新，一个是count[i]的更新。
   那么如何更新count[i]呢？
   以nums[i]为结尾的字符串，最长递增子序列的个数为count[i]。
   那么在nums[i] > nums[j]前提下，如果在[0, i-1]的范围内，找到了j，使得dp[j] + 1 > dp[i]，说明找到了一个更长的递增子序列。
   那么以j为结尾的子串的最长递增子序列的个数，就是最新的以i为结尾的子串的最长递增子序列的个数，即：count[i] = count[j]。
   在nums[i] > nums[j]前提下，如果在[0, i-1]的范围内，找到了j，使得dp[j] + 1 == dp[i]，说明找到了两个相同长度的递增子序列。
   那么以i为结尾的子串的最长递增子序列的个数 就应该加上以j为结尾的子串的最长递增子序列的个数，即：count[i] += count[j];
   代码如下：

if (nums[i] > nums[j]) {
    if (dp[j] + 1 > dp[i]) {
        count[i] = count[j];
    } else if (dp[j] + 1 == dp[i]) {
        count[i] += count[j];
    }
    dp[i] = max(dp[i], dp[j] + 1);
}

这里count[i]记录了以nums[i]为结尾的字符串，最长递增子序列的个数。dp[i]记录了i之前（包括i）最长递增序列的长度。

题目要求最长递增序列的长度的个数，我们应该把最长长度记录下来。

代码如下：

for (int i = 1; i < nums.size(); i++) {
    for (int j = 0; j < i; j++) {
        if (nums[i] > nums[j]) {
            if (dp[j] + 1 > dp[i]) {
                count[i] = count[j];
            } else if (dp[j] + 1 == dp[i]) {
                count[i] += count[j];
            }
            dp[i] = max(dp[i], dp[j] + 1);
        }
        if (dp[i] > maxCount) maxCount = dp[i]; // 记录最长长度
    }
}

3. dp数组如何初始化
   再回顾一下dp[i]和count[i]的定义
   count[i]记录了以nums[i]为结尾的字符串，最长递增子序列的个数。
   那么最少也就是1个，所以count[i]初始为1。
   dp[i]记录了i之前（包括i）最长递增序列的长度。
   最小的长度也是1，所以dp[i]初始为1。
   其实动规的题目中，初始化很有讲究，也很考察对dp数组定义的理解。

4. 确定遍历顺序
   dp[i] 是由0到i-1各个位置的最长升序子序列 推导而来，那么遍历i一定是从前向后遍历。
   j其实就是0到i-1，遍历i的循环里外层，遍历j则在内层，代码如下：

for (int i = 1; i < nums.size(); i++) {
    for (int j = 0; j < i; j++) {

最后还有再遍历一遍dp[i]，把最长递增序列长度对应的count[i]累计下来就是结果了。

5. 举例推导dp数组

输入：[1,3,5,4,7]

如果代码写出来了，怎么改都通过不了，那么把dp和count打印出来看看对不对！

C++代码

class Solution {
public:
    int findNumberOfLIS(vector<int>& nums) {
        if(nums.size() <= 1) return nums.size();
        vector<int>dp(nums.size(), 1);
        vector<int>count(nums.size(), 1);
        int maxCount = 0;
        for(int i = 1; i < nums.size(); i++){
            for(int j = 0; j < i; j++){
                if(nums[i] > nums[j]){
                    if(dp[j] + 1 > dp[i]){
                        count[i] = count[j];
                    }
                    else if(dp[j] + 1 == dp[i]){
                        count[i] += count[j];
                    }
                    dp[i] = max(dp[i], dp[j] + 1);
                }
                if(dp[i] > maxCount) maxCount = dp[i];
            }
        }
        int res = 0;
        for(int i = 0; i < nums.size(); i++){
            if(maxCount == dp[i]) res += count[i];
        }
        return res;
    }
};

---

总结

动态规划
英文：Dynamic Programming，简称DP，如果某一问题有很多重叠子问题，使用动态规划是最有效的。
动态规划中每一个状态一定是由上一个状态推导出来的，这一点就区分于贪心，贪心没有状态推导，而是从局部直接选最优的

对于动态规划问题，可以拆解为如下五步曲，这五步都搞清楚了，才能说把动态规划真的掌握了！

1. 确定dp数组（dp table）以及下标的含义
2. 确定递推公式
3. dp数组如何初始化
4. 确定遍历顺序
5. 举例推导dp数组

这篇文章主要总结了使用动态规划解决673. 最长递增子序列的个数问题，依然是使用动规五部曲，做每道动态规划题目这五步都要弄清楚才能更清楚的理解题目！

子序列问题是动态规划的一个重要系列！
欢迎大家关注本人公众号：编程复盘与思考随笔
(关注后可以免费获得本人在csdn发布的资源源码)