【算法-LeetCode】300. 最长递增子序列（动态规划）

300. 最长递增子序列 - 力扣（LeetCode）

发布：2021年8月6日19:23:54

问题描述及示例

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。

示例 1：
输入：nums = [10,9,2,5,3,7,101,18]
输出：4
解释：最长递增子序列是 [2,3,7,101]，因此长度为 4 。

示例 2：
输入：nums = [0,1,0,3,2,3]
输出：4

示例 3：
输入：nums = [7,7,7,7,7,7,7]
输出：1

来源：力扣（LeetCode）
链接：https://leetcode-cn.com/problems/longest-increasing-subsequence
著作权归领扣网络所有。商业转载请联系官方授权，非商业转载请注明出处。

提示：
1 <= nums.length <= 2500
-104 <= nums[i] <= 104

我的题解

没记错的话，这是我碰到的第三道动态规划的题目了吧。但是说实话，一开始我并没有想到这道题可以用动态规划解决，反而是想到了递归或者回溯之类的。但是琢磨一番之后发现好像走不通，但是又实在没有思路了，所以就看了一眼LeetCode上【相关标签】提示。要是在面试中，这样估计是过不了了，因为思路都没能自己发现。

可以看到相关标签中出现了【动态规划】的身影，于是我立马就开始往动态规划上思考了。

此时我是忽视了【二分查找】这个标签，对不起，二分，我不是故意的(￣ェ￣;)。

于是，根据我之前做的总结（详情请参照：【算法-LeetCode】53. 最大子序和_赖念安的博客-CSDN博客），开始一步步尝试解题。

成功前的尝试（对dp数组的错误理解）

在下面的程序中，出现了动态规划题目中常见到的dp数组。根据总结，第一步就是确定这个dp数组的含义，也就是确定dp[i]表示的是什么。在我一开始的想法中，dp[i]应该是nums[i]之前（包括nums[i]）的最长递增子序列的长度（事实上也确实应该这样设定）。但是写着写着，我就忘了初心（后来回想，似乎就是从dp[0]的初始化开始走歪的），没有紧扣dp[i]所表示的意义，开始将dp数组用来存储最长递增子序列本身，而非其长度。所以说，这动态规划的第一步我就出了问题。详解请看下方注释。

/**
 * @param {number[]} nums
 * @return {number}
 */
var lengthOfLIS = function (nums) {
  // 首先将dp数组初始化为空数组
  let dp = [];
  // 初始化dp数组，此乃万恶之源
  dp[0] = nums[0];
  // 由下标为1处开始遍历nums数组，遍历顺序为由前向后
  for (let i = 1, len = nums.length; i < len; i++) {
  	// 如果dp数组为空，或者当前遍历的数组元素比dp数组的末尾元素大（注意题目中说是严格递增
  	// 子序列，所以不要取等号），则将当前遍历元素压入数组，且跳过本次循环的后续操作
    if (dp.length === 0 || nums[i] > dp[dp.length - 1]) {
      dp.push(nums[i]);
      continue;
    }
    // 如果dp数组不为空，或者当前遍历的数组元素不比dp数组的末尾元素大，则将dp数组的末尾元素弹出
    dp.pop();
    // 弹出之后，也要记得将当前遍历数组压入dp数组，但是压入之前要判断dp数组前是否已经包含该元素
    if (!dp.includes(nums[i])) {
      dp.push(nums[i]);
    }
  }
  // 遍历完成后，dp数组中就存储了nums数组中的最长严格递增子序列，返回其长度即可
  return dp.length;
};

我以为上面的程序已经可以通过测试用例了，提交之后发现，当nums = [0, 1, 0, 3, 2, 3] 时，所得的结果就是3，而非预期中的4，将程序放到Chrome开发者工具中debug，发现问题就出现在dp.pop();身上，因为当遍历到nums[2]时，由于nums[2] < dp[dp.length - 1]（此时dp为[0, 1]）且dp.length !== 0，所以程序就会将dp[1]弹出，但是我们可以通过观察发现，其实这个元素1不应该被弹出。所以问题就卡在这儿了。

我的题解1（动态规划）

严格来说这并不是我的题解，因为关键的状态转移方程没有成功推导出来。

实在想不清楚该怎么改上面的程序了，所以只好推倒重来了。当我再次重复动态规划的解题步骤时，我突然就发现我没有明确dp数组的含义。这次我就坚守初心：dp[i]应该是nums[i]之前（包括nums[i]）的最长递增子序列的长度，而最后返回的结果应该是dp数组中的最大值。但是又出现了新的问题：那状态转移方程是啥呢？这里我一开始只有一个模糊的概念，dp[i]应该是由dp[i-1]再拼接上nums[i]得到的，但是得事先判断nums[i]和dp[i-1]里的元素的大小关系啊。

其实到这里我已经很接近答案了，但是很可惜的是，到最后我还是没有写出状态转移方程，于是我就开始去看了别人的题解，详情可参考【有关参考】，感谢【微信公众号：代码随想录】以及其他博主的分享与解析。

除了状态转移方程和我原先的思路不大一样外，博主的dp数组的初始化也不一样。详解请看下方注释。

/**
 * @param {number[]} nums
 * @return {number}
 */
var lengthOfLIS = function(nums) {
  // 首先将dp初始化为一个长度与nums一样，而元素值均为1的数组，因为子序列长度起码有1
  let dp = new Array(nums.length).fill(1);
  // result用于存储dp数组中的最大值并最后作为返回值返回
  let result = 1;
  // 这句其实可以不写，但是为了动态规划题目的步骤完整性和格式化，所以加上
  dp[0] = 1;
  // 外层for循环用于由前向后遍历nums数组
  for(let i = 1, len = nums.length; i < len; i++) {
  	// 内层for循环用于确定nums[i-1]之前（包括nums[i-1]）的最长递增子序列，
  	// 也就是找到dp[0] ~ dp[i-1]中的最大值
    for(let j = 0; j < i; j++) {
      // 如果当前遍历的外层for循环元素nums[i]比当前遍历的内层for循环元素nums[j]小，
      // 则直接不考虑将nums[i]纳入dp[i]的计算中，否则就取dp[j]+1和dp[i]中的较大值，
      // 当内层for循环结束后，就能保证dp[i]是保存的是最长递增子序列的长度
      if(nums[i] > nums[j]) {
        dp[i] = Math.max(dp[i], dp[j] + 1);
      }
    }
    // 内层for循环结束后，要更新result的值
    result = Math.max(result, dp[i]);
  }
  return result;
};


提交记录
54 / 54 个通过测试用例
状态：通过
执行用时：168 ms, 在所有 JavaScript 提交中击败了69.37%的用户
内存消耗：39.7 MB, 在所有 JavaScript 提交中击败了15.52%的用户
时间：2021/08/06 19:27

在上面的程序中，内层for循环也是关键的动态转移方程的一部分，一定要注意不能只看到Math.max(dp[i], dp[j] + 1)就认为是取dp[i]和dp[j] + 1中的最大值，不能忽略这个语句是在内层for循环中，所以，经过至多i-1次的Maht.max()操作后，我们实际上是拿dp[x]（0 ≤ x ≤i -1）中的最大值与dp[i]作比较。只不过上面的程序中将【取dp[x]（0 ≤ x ≤i -1）中的最大值】和【dp[x]的最大值与dp[i]作比较】杂糅在一起写并同时加了一个nums[i] > nums[j]的判断。

在看官方题解的过程中，我还看到了一种利用【二分查找】的思想的解法，但是这里暂且按下不表，因为我还没怎么看懂[doge]。

官方题解

更新：2021年7月29日18:43:21

因为我考虑到著作权归属问题，所以【官方题解】部分我不再粘贴具体的代码了，可到下方的链接中查看。

更新：2021年8月6日19:29:12

参考：最长上升子序列 - 最长递增子序列 - 力扣（LeetCode）

【更新结束】

有关参考

更新：2021年8月6日21:04:24
参考：【微信公众号：代码随想录 2021-03-09】动态规划：最长递增子序列