leetcode 5 最长回文子串 动态规划 python深浅复制

leetcode 5 最长回文子串 动态规划 python深浅复制

知识准备——动态规划

动态规划思想本质上是分治与递归。

四大部分

1. 划分状态，即将父问题划分为可以递归的若干相同模式的子问题。
2. 状态表示，即将子问题用计算机可以理解的逻辑符号（函数等）或程序代码表示。
3. 状态转移，即确定父问题和子问题之间的关系，列出状态转移方程。
4. 确定边界，即确定最小的子问题、最大的父问题、初始状态、最终状态。

经典模型

1. 线性模型（斐波那契数列问题）
2. 区间模型（最大回文串问题）
3. 树状模型（公司优秀员工问题）

解法

1. 自顶向下（记忆化搜索），即从最终状态出发，若子问题已经有解，那么直接拿来用，若子问题无解，那么转化为求解子问题，一般采用递归方式求解。适合树/图状结构的问题。
2. 自底向上，即从初始状态出发，根据已经确定的拓扑序一步步求解子问题，直到达到最终状态。适合线性模型等可以简单确定拓扑序的问题。

题目分析

在本题中，划分状态为s中从i位置到j位置的子串是否为回文串；状态表示为布尔值数组dp[i][j]；状态转移方程为dp[i][j]=dp[i+1][j-1] and (s[i]==s[j])；确定边界为若i==j，dp[i][j]=True,若i+1==j and s[i]==s[j]，dp[i][j]=True；解法为自底向上，按照长度从小到大枚举所有的子串，某长度的子串是建立在长度小于它的子串的判断结果上的。

class Solution:
    def longestPalindrome(self, s: str) -> str:
        n = len(s)
        res = ""
        max = 0
        dp = [[False]*n for _ in range(n)]
        for l in range(len(s)):
            for i in range(len(s)):
                j=i+l
                if j>=len(s):
                    break
                if i==j:
                    dp[i][j]=True
                elif i==j-1:
                    dp[i][j]=(s[i]==s[j])
                else:
                    dp[i][j]=(dp[i+1][j-1] and s[i]==s[j])
                if dp[i][j] and j-i+1>max:
                    max = j-i+1
                    res = s[i:j+1]
        return res

6464ms 24.1MB

深复制与浅复制

在创建n*n的数组dp时，首先我的写法是

dp = [[False]*len(s)]*len(s)

但是这种写法是会报错的，猜测可能是python中的安全性保护措施，改为

n = len(s)
dp = [[False]*n]*n

即不报错，但是这种写法仍然是有问题的

python中的内存和变量的关系有深复制和浅复制之分，对于元组

a = [1,2,[3,4]]

假如通过浅复制将a复制到b中，那么对于首层的元素，他们的内存地址是分别独立的，即更改b[0],b[1],b[2]的值，a[0],a[1],a[2]的值不会随之改变，但是更改b[2][0]，b[2][1]的值，a[2][0]，a[2][1]的值则会随之改变，即首层以下的元素，他们是同一内存地址，互为引用

假如通过深复制，那么对于任意一层的元素，他们的内存地址都是分别独立的

因此这种写法会导致dp数组实际上每一行的内存地址是相同的，*是一种浅复制

解决措施：不使用*号，这将导致浅复制，乖乖使用枚举所有元素的方法初始化元组，这里可以使用 for _ 语句

n = len(s)
dp = [[False for _ in range(n)] for _ in range(n)]

当然由于只有两层，也可以写成

n = len(s)
dp = [[False]*n for _ in range(n)]

另外也可以使用numpy进行初始化，leetcode也支持

n = len(s)
a = np.zeros(shape=(n,n),dtype=bool)