【力扣】354. 俄罗斯套娃信封问题

以下为力扣官方题解

题目

给定一些标记了宽度和高度的信封，宽度和高度以整数对形式 (w, h) 出现。当另一个信封的宽度和高度都比这个信封大的时候，这个信封就可以放进另一个信封里，如同俄罗斯套娃一样。
请计算最多能有多少个信封能组成一组“俄罗斯套娃”信封（即可以把一个信封放到另一个信封里面）。

说明:

不允许旋转信封。

示例:

输入: $envelopes=[[5,4],[6,4],[6,7],[2,3]]$
输出: $3$
解释: 最多信封的个数为 $3$, 组合为: $[2,3]=>[5,4]=>[6,7]$。

官方题解

前言

根据题目的要求，如果我们选择了 $k$ 个信封，它们的的宽度依次为 $w_0,w_1,\cdots ,w_{k-1}$，高度依次为 $h_0,h_1,\cdots ,h_{k-1}$，那么需要满足：

$\{\begin{array}{l}{w}_0<w_1<\cdots <w_{k-1}\\ h_0<h_1<\cdots <h_{k-1}\end{array}$

同时控制 $w$ 和 $h$ 两个维度并不是那么容易，因此我们考虑固定一个维度，再在另一个维度上进行选择。例如，我们固定 $w$ 维度，那么我们将数组 $envelopes$ 中的所有信封按照 $w$ 升序排序。这样一来，我们只要按照信封在数组中的出现顺序依次进行选取，就一定保证满足：

$w_0\le w_1\le \cdots \le w_{k-1}$

了。然而小于等于 $\le$ 和小于 $<$ 还是有区别的，但我们不妨首先考虑一个简化版本的问题：

如果我们保证所有信封的 $w$ 值互不相同，那么我们可以设计出一种得到答案的方法吗？

在 $w$ 值互不相同的前提下，小于等于 $\le$ 和小于 $<$ 是等价的，那么我们在排序后，就可以完全忽略 $w$ 维度，只需要考虑 $h$ 维度了。此时，我们需要解决的问题即为：

给定一个序列，我们需要找到一个最长的子序列，使得这个子序列中的元素严格单调递增，即上面要求的：

$h_0<h_1<\cdots <h_{k-1}$

那么这个问题就是经典的「最长严格递增子序列」问题了，读者可以参考力扣平台的 300. 最长递增子序列 及其 官方题解。最长严格递增子序列的详细解决方法属于解决本题的前置知识点，不是本文分析的重点，因此这里不再赘述，会在方法一和方法二中简单提及。

当我们解决了简化版本的问题之后，我们来想一想使用上面的方法解决原问题，会产生什么错误。当 $w$ 值相同时，如果我们不规定 $h$ 值的排序顺序，那么可能会有如下的情况：

排完序的结果为 $[(w,h)]=[(1,1),(1,2),(1,3),(1,4)]$，由于这些信封的 $w$ 值都相同，不存在一个信封可以装下另一个信封，那么我们只能在其中选择 $1$ 个信封。然而如果我们完全忽略 $w$ 维度，剩下的 $h$ 维度为 $[1,2,3,4]$，这是一个严格递增的序列，那么我们就可以选择所有的 $4$ 个信封了，这就产生了错误。

因此，我们必须要保证对于每一种 $w$ 值，我们最多只能选择 $1$ 个信封。

我们可以将 $h$ 值作为排序的第二关键字进行降序排序，这样一来，对于每一种 $w$ 值，其对应的信封在排序后的数组中是按照 $h$ 值递减的顺序出现的，那么这些 $h$ 值不可能组成长度超过 $1$ 的严格递增的序列，这就从根本上杜绝了错误的出现。

因此我们就可以得到解决本题需要的方法：

• 首先我们将所有的信封按照 $w$ 值第一关键字升序、$h$ 值第二关键字降序进行排序；

• 随后我们就可以忽略 $w$ 维度，求出 $h$ 维度的最长严格递增子序列，其长度即为答案。

下面简单提及两种计算最长严格递增子序列的方法，更详细的请参考上文提到的题目以及对应的官方题解。

方法一：动态规划

思路与算法

设 $f[i]$ 表示 $h$ 的前 $i$ 个元素可以组成的最长严格递增子序列的长度，并且我们必须选择第 $i$ 个元素 $h_i$。在进行状态转移时，我们可以考虑倒数第二个选择的元素 $h_j$，必须满足 $h_j<h_i$ 且 $j<i$，因此可以写出状态转移方程：

f [ i ] = max ⁡ j < i   ∧   h j < h i { f [ j ] } + 1 f[i] = \max_{j<i ~\wedge~ h_j<h_i } \{ f[j] \} + 1 f[i]=maxj<i ∧ hj​<hi​​{f[j]}+1

如果不存在比 $h_i$ 小的元素 $h_j$，那么 $f[i]$ 的值为 $1$，即只选择了唯一的第 $i$ 个元素。

在计算完所有的 $f$ 值之后，其中的最大值即为最长严格递增子序列的长度。

代码

由于方法一的时间复杂度较高，一些语言对应的代码可能会超出时间限制。

class Solution {
    public int maxEnvelopes(int[][] envelopes) {
        if (envelopes.length == 0)
        {
            return 0;
        }

        int n = envelopes.length;
        Arrays.sort(envelopes, new Comparator<int[]>() {
            public int compare(int[] e1, int[] e2) {
                if (e1[0] != e2[0])
                {
                    return e1[0]-e2[0];
                }
                else
                {
                    return e2[1]-e1[1];
                }
            }
        });

        int[] f = new int[n];
        Arrays.fill(f, 1);
        int ans = 1;
        for (int i=1; i<n; i++)
        {
            for (int j=0; j<i; j++)
            {
                if (envelopes[j][1] < envelopes[i][1])
                {
                    f[i] = Math.max(f[i], f[j]+1);
                }
            }
            ans = Math.max(ans, f[i]);
        }
        return ans;
    }
}

复杂度分析

• 时间复杂度：$O(n^2)$，其中 $n$ 是数组 $envelopes$ 的长度，排序需要的时间复杂度为 $O(n\log n)$，动态规划需要的时间复杂度为 $O(n^2)$，前者在渐近意义下小于后者，可以忽略。
• 空间复杂度：$O(n)$，即为数组 $f$ 需要的空间。

方法二：基于二分查找的动态规划

思路与算法

设 $f[j]$ 表示 $h$ 的前 $i$ 个元素可以组成的长度为 $j$ 的最长严格递增子序列的末尾元素的最小值，如果不存在长度为 $j$ 的最长严格递增子序列，对应的 $f$ 值无定义。在定义范围内，可以看出 $f$ 值是严格单调递增的，因为越长的子序列的末尾元素显然越大。

在进行状态转移时，我们考虑当前的元素 $h_i$​：

• 如果 $h_i$ 大于 $f$ 中的最大值，那么 $h_i$ 就可以接在 $f$ 中的最大值之后，形成一个长度更长的严格递增子序列；

• 否则我们找出 $f$ 中比 $h_i$​ 严格小的最大的元素 $f[j_0]$，即 $f[j_0]<h_i\le f[j_0+1]$，那么 $h_i$ 可以接在 $f[j_0]$ 之后，形成一个长度为 $j_0+1$ 的严格递增子序列，因此需要对 $f[j_0+1]$ 进行更新：

$f[j_0+1]=h_i$

我们可以在 $f$ 上进行二分查找，找出满足要求的 $j_0$。

在遍历所有的 $h_i$ 之后，$f$ 中最后一个有定义的元素的下标增加 $1$（下标从 $0$ 开始）即为最长严格递增子序列的长度。

代码

class Solution {
    public int maxEnvelopes(int[][] envelopes) {
        if (envelopes.length == 0)
        {
            return 0;
        }

        int n = envelopes.length;
        Arrays.sort(envelopes, new Comparator<int[]>() {
            public int compare(int[] e1, int[] e2) {
                if (e1[0] != e2[0])
                {
                    return e1[0]-e2[0];
                }
                else
                {
                    return e2[1]-e1[1];
                }
            }
        });

        List<Integer> f = new ArrayList<Integer>();
        f.add(envelopes[0][1]);
        for (int i=1; i<n; i++)
        {
            int num = envelopes[i][1];
            if (num > f.get(f.size()-1))
            {
                f.add(num);
            }
            else{
                int index = binarySearch(f, num);
                f.set(index, num);
            }
        }
        return f.size();
    }

    public int binarySearch(List<Integer> f, int target) {
        int low = 0, high = f.size()-1;
        while (low < high)
        {
            int mid = (high-low)/2 + low;
            if (f.get(mid) < target)
            {
                low = mid + 1;
            }
            else
            {
                high = mid;
            }
        }
        return low;
    }
}

复杂度分析

• 时间复杂度：$O(n\log n)$，其中 $n$ 是数组 $envelopes$ 的长度，排序需要的时间复杂度为 $O(n\log n)$，动态规划需要的时间复杂度同样为 $O(n\log n)$。
• 空间复杂度：$O(n)$，即为数组 $f$ 需要的空间。