基础算法 --- 线性DP

最新推荐文章于 2023-08-21 14:54:00 发布

ReScale

最新推荐文章于 2023-08-21 14:54:00 发布

阅读量480

点赞数

分类专栏：算法文章标签：算法动态规划 leetcode

本文链接：https://blog.csdn.net/reserve_scale/article/details/124727503

版权

本文详细介绍了线性动态规划（DP）在解决序列问题中的应用，包括最长上升子序列和最短编辑距离。讨论了如何优化最长上升子序列的解法，通过二分查找和TreeSet实现。同时阐述了最长公共子序列的朴素写法。编辑距离部分解释了如何通过状态转移方程找到从一个字符串转换到另一个的最小操作次数。

摘要由CSDN通过智能技术生成

前言

线性DP同样作为DP领域中非常重要的一部分，其指的是状态之间含有某种线性关系，大多求最大/最小值。最典型的题目为子序列，编辑距离，股票问题。

一、序列问题

1. 最长上升子序列

Acwing 897
给定一个长度为 N 的数列，求数值严格单调递增的子序列的长度最长是多少。
当N的数据量并不大时 （10^4) ，可以直接使用朴素解法，即 O(n^2) 的时间复杂度，否则需要优化解法，即 O(nlogn) 的时间复杂度。

1.1 朴素写法

设置状态数组f[i]，表示以 nums[i] 结尾的数可以构成的最长上升子序列长度。
状态转移方程： $f [i] = M a x (f [0], f [1], . . ., f [i - 1]) + 1$ 当然括号内的 f[j] 应该满足 $n u m s [i] > n u m s [j]$

import java.util.*;

public class Main {
   
    public static void main(String[] args) {
   
        Scanner in = new Scanner(System.in);
        int n = in.nextInt();
        int[] nums = new int[n];
        for (int i = 0; i < n; i ++) {
   
            nums[i] = in.nextInt();
        }
        int[] f = new int[n];
        
        Arrays.fill(f, 1);
        
        for (int i = 1; i < n; i ++) {
   
            for (int j = 0; j < i; j ++) {
   
                if (nums[i] > nums[j]) {
   
                    f[i] = Math.max(f[i], f[j] + 1);
                }
            }
        }
        
        System.out.println(Arrays.stream(f).max().getAsInt());
    }
}