打卡第十三天~
题目描述
- 感觉和正则表达式匹配这道题很像:同样的两个字符串,同样的二维数组dp,同样的hard。。= =
思路 && 代码 O( n 2 n^2 n2)、O( n 2 n^2 n2)
- 使用动态规划的做法,同样多开一行、一列来进行边界处理。
- dp[i][j]:以[0, i] 和 [0, j]的子串,word1Son转化成word2Son的最少操作数字
- 具体做法见注释的 part 和 Case~
- 主要代码应该是注释 part 2.2 部分的代码,可以这么理解:
0. 对于当前 dp[i][j] 的选取值,i、j匹配的情况显而易见是直接选取dp[i - 1][j - 1]最优- 不匹配的情况,有三个最优子结构:左边的dp[i][j - 1],上边的dp[i - 1][j],以及左上的dp[i -1][j - 1]。经过思考,我们可以发现这三个最优子结构,可以分别通过增、删、减的方式(操作数 + 1),转移到 dp[i][j] 的状态。
- 那么显而易见,选取三个子结构的最小值,再增加一个操作数就是当前的最优选择~
class Solution {
public int minDistance(String word1, String word2) {
// init
int m = word1.length();
int n = word2.length();
// dp[i][j]:以[0, i] 和 [0, j]的子串,word1Son转化成word2Son的最少操作数字
int[][] dp = new int[m + 1][n + 1];
// part 1:边界:
// part 1.1: 直接插入
for(int i = 0; i <= n; i++) {
dp[0][i] = i;
}
// part 1.2: 直接删除
for(int i = 0; i <= m; i++) {
dp[i][0] = i;
}
// part 2:具体规划过程
for(int i = 1; i <= m; i++) {
for(int j = 1; j <= n; j++) {
// part 2.2: 当前字符不匹配:
if(word1.charAt(i - 1) != word2.charAt(j - 1)) {
// Case 1: 删除当前i字符 + dp[i - 1][j](删)
// Case 2: dp[i][j - 1] + 插入j字符(插)
// Case 3: dp[i - 1][j - 1] + i 和 j 对着替换一个。(替)
// 三种选择,选取步骤最少的一个
dp[i][j] = Math.min(Math.min(dp[i - 1][j], dp[i][j - 1]), dp[i - 1][j - 1]) + 1;
}
// part 2.1: 直接匹配,不用操作
else {
dp[i][j] = dp[i - 1][j - 1];
}
}
}
return dp[m][n];
}
}
二刷
- 一如既往地明了,有效代码其实就12行
class Solution {
public int minDistance(String word1, String word2) {
// dp[i][j]:把 word1[0][i] 变成 word2[0][j] 需要的步数
int[][] dp = new int[word1.length() + 1][word2.length() + 1];
// 直接删成 word2
for(int i = 0; i <= word1.length(); i++) {
dp[i][0] = i;
}
// 直接插成 word2
for(int i = 0; i <= word2.length(); i++) {
dp[0][i] = i;
}
for(int i = 1; i <= word1.length(); i++) {
for(int j = 1; j <= word2.length(); j++) {
// 相等,相当于不用动,直接取上一阶的结果
if(word1.charAt(i - 1) == word2.charAt(j - 1)) {
dp[i][j] = dp[i - 1][j - 1];
}
// 不相等,取改、删、插的最小值 + 1.
else {
dp[i][j] = Math.min(dp[i - 1][j - 1], Math.min(dp[i - 1][j], dp[i][j - 1])) + 1;
}
}
}
return dp[word1.length()][word2.length()];
}
}