终于还是踏上了算法这条不归路,记录一下做题的历程
最长公共子序列
给定两个字符串 text1 和 text2,返回这两个字符串的最长 公共子序列 的长度。如果不存在 公共子序列 ,返回 0 。
一个字符串的 子序列
是指这样一个新的字符串:它是由原字符串在不改变字符的相对顺序的情况下删除某些字符(也可以不删除任何字符)后组成的新字符串。例如,“ace” 是 “abcde” 的子序列,但 “aec” 不是 “abcde” 的子序列。
两个字符串的 公共子序列 是这两个字符串所共同拥有的子序列。
示例
输入:text1 = “abcde”, text2 = “ace”
输出:3
解释:最长公共子序列是 “ace” ,它的长度为 3 。
动态规划
通过把原问题分解为相对简单的子问题的方式求解复杂问题的方法。
动态规划常常适用于有重叠子问题和最优子结构性质的问题,动态规划方法所耗时间往往远少于朴素解法。 —— 维基百科
自己的理解
解决具有大量重复子问题的情况。
当使用递归的思想解决某一问题时,是从后向前递归,最终到达递归基时终止,这样有时会产生重复的子问题,从而在时间复杂度上造成很大影响。
而动态规划恰好相反,是一种从前向后迭代的过程,每个子问题只计算一次,对于已经计算过的子问题将直接使用其结果,不在重复计算。
大致过程:建立一个二维数组dp[m+1][n+1](包含一组空字符),数组中保存的是两字符串的最长公共子序列大小。
第一行和第一列代表空,空和另一字符串中的元素必不相等,在图中即表现为 0 的形式。
后续判断分为两种情况,当 i = j 时判断str1[ i ]和str2[ j ]二者是否相等,若相等则dp[ i - 1][ j - 1]的值 +1,不相等则需要判断dp[ i - 1][ j ]和dp[ i ][ j -1]中最长公共子序列大小,取二者中的较大值。
注:其实这里不光是对 i = j 时进行判断,而是遍历整张表使用上述方法进行判断。依次算出表中各个位置对应的最长公共子序列。
自己画了个图理解
最后面的箭头有点多,简化了一下。
代码
class Solution {
public:
int longestCommonSubsequence(string text1, string text2) {
int m = text1.length(), n = text2.length();
vector<vector<int>> dp(m + 1, vector<int>(n + 1)); // dp中保存的值为两字符串最长公共子序列的值(大小)。
for (int i = 1; i <= m; i++) {
char c1 = text1.at(i - 1);
for (int j = 1; j <= n; j++) {
char c2 = text2.at(j - 1);
if (c1 == c2) { // 判断字符串是否相等,相等则取dp[i - 1][j - 1]的值 +1
dp[i][j] = dp[i - 1][j - 1] + 1;
} else { // 若不相等,则比较dp[i - 1][j]和dp[i][j - 1],取二者较大值。
dp[i][j] = max(dp[i - 1][j], dp[i][j - 1]);
}
}
}
return dp[m][n];
}
};
来源:力扣(LeetCode)
链接:https://leetcode-cn.com/problems/longest-common-subsequence