注:一旦涉及到子问题,有两种解决思路:
- 自顶向下的递归
- 自底向上的动态规划
class Solution {
public int minDistance(String word1, String word2) {
//方法一:递归
int len1 = word1.length(), len2 = word2.length();
//如果word1.length() == 0, 我们每次都进行插入操作即可
//如果word2.length() == 0, 我们每次都进行删除操作即可
if(len1 == 0 || len2 == 0)
return Math.max(len1, len2);
//如果最后的字符相同,那么就看前推一位的结果
if(word1.charAt(len1 - 1) == word2.charAt(len2 - 1))
return minDistance(word1.substring(0, len1 - 1), word2.substring(0, len2 - 1));
//否则进行插入、删除、替换操作,并选取其中代价最小的操作进行返回
return 1 + Math.min(Math.min(minDistance(word1, word2.substring(0, len2 - 1)),
minDistance(word1.substring(0, len1 - 1), word2)),
minDistance(word1.substring(0, len1 - 1), word2.substring(0, len2 - 1)));
}
}
但是递归方法超时,原因是进行了 大量重复的计算。
动态规划:
class Solution {
public int minDistance(String word1, String word2) {
//方法二:动态规划
int len1 = word1.length(), len2 = word2.length();
//如果word1.length() == 0, 我们每次都进行插入操作即可
//如果word2.length() == 0, 我们每次都进行删除操作即可
if(len1 == 0 || len2 == 0)
return Math.max(len1, len2);
//DP数组 并进行边界状态初始化
int[][] dp = new int[len1 + 1][len2 + 1];
for(int i = 0; i <= len1; i++) dp[i][0] = i;
for(int j = 0; j <= len2; j++) dp[0][j] = j;
//计算所有的dp值
for(int i = 1; i <= len1; i++) {
for(int j = 1; j <= len2; j++) {
int left = dp[i - 1][j] + 1;
int down = dp[i][j - 1] + 1;
int left_down = dp[i - 1][j - 1];
if(word1.charAt(i - 1) != word2.charAt(j - 1))
left_down++;
dp[i][j] = Math.min(Math.min(left, down), left_down);
}
}
return dp[len1][len2];
}
}
具体可见:LeetCode视频讲解