LeetCode算法题--最长公共子序列

每日诗句

• 秋风万里芙蓉国，暮雨千家薜荔村。——谭用之《秋宿湘江遇雨》

1. 题目

---

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 1：
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 。

示例 2：
输入：text1 = “abc”, text2 = “abc”
输出：3
解释：最长公共子序列是 “abc” ，它的长度为 3 。

示例 3：
输入：text1 = “abc”, text2 = “def”
输出：0
解释：两个字符串没有公共子序列，返回 0 。

2. 提示

---

1 <= text1.length, text2.length <= 1000
text1 和 text2 仅由小写英文字符组成。

3. 解题思路

---

使用方法：动态规划

解决动态规划类问题的核心是确定状态转移方程

最长公共子序列问题是典型的二维动态规划问题。

假设字符串 text1 和 text2 的长度为m，n 。则创建 m+1行，n+1 列 的二维数组dp，其中dp[i][j]表示text1[0:i]和text2[0:j]的最长公共子序列的长度。

text1[0:i] 表示text1的长度为 i 的前缀，text2[0:j] 表示texe2的长度为 j 的前缀

考虑动态规划的边界情况：

• 当 i = 0 时，text1[0 : i]为空，空字符串和任何字符串的最长公共子序列的长度都是0，因此对任意 0<=j<=n ，有d[0][j] = 0;
• 当 j = 0 时， text2[0 : j] 为空，同理可得，对任意0<=j<=m，有dp[i][0] = 0；

因此动态规划的边界情况是：当 i = 0或 j = 0 时，dp[i][j] = 0
当 i > 0 且 j > 0 时， 考虑dp[i][j] 的计算：

• 当 text1[i-1] = text2[j-1] 时，将这两个相同的字符称为==公共字符，考虑 text​1 [ 0 : i -1 ] 和 text​2 [ 0 : j -1 ] 的最长公共子序列，再增加一个字符（即公共字符）即可得到 text​1 [ 0 : i ] 和 text​1 [ 0 : j ] 的最长公共子序列，因此 dp[i][j] = dp[i-1][j-1] + 1。

• 当text1 [ i−1] != text2 [ j - 1] 时，考虑以下两项：

  • text1[ 0 : i-1 ] 和 text2[ 0 : j ] 的最长公共子序列
  • text1[ 0 : i ] 和 text2[ 0 : j-1 ] 的最长公共子序列
     

  要得到text1[ 0 : i ] 和 text2 [ 0 : j] 的最长公共子序列，应取两项中的长度较大的一项，因此dp[i][j] = max (dp[i-1][j] ，dp[i][j-1])。

由此可以得到如下状态转移方程：

最终计算得出 dp [m][n]即为 text1 和 text2 的最长公共子序列的长度。

4. java代码实现

class Solution {
    public int longestCommonSubsequence(String text1, String text2) {
        int m = text1.length(), n = text2.length();
        int[][] dp = new int[m + 1][n + 1];
        for (int i = 1; i <= m; i++) {
            char c1 = text1.charAt(i - 1);
            for (int j = 1; j <= n; j++) {
                char c2 = text2.charAt(j - 1);
                if (c1 == c2) {
                    dp[i][j] = dp[i - 1][j - 1] + 1;
                } else {
                    dp[i][j] = Math.max(dp[i - 1][j], dp[i][j - 1]);
                }
            }
        }
        return dp[m][n];
    }
}

5. 复杂度分析

• 时间复杂度： O(mn)，其中 m 和 n 分别是字符串 text1 和 text2 的长度。二维数组dp 有 m+1 行和 n+1 列，需要对 dp 中的每个元素进行计算。
• 空间复杂度： O(mn)，其中 m 和 n 分别是字符串 text1 和 text2 的长度。创建了 m + 1 行 n + 1 列的二维数组dp。