序列型动态规划——最长递增子序列

给你一个整数数组 nums ，找到其中最长严格递增子序列的长度。

子序列是由数组派生而来的序列，删除（或不删除）数组中的元素而不改变其余元素的顺序。例如，[3,6,2,7] 是数组 [0,3,1,6,2,2,7] 的子序列。

示例 ：

输入：nums = [10,9,2,5,3,7,101,18]
输出：4
解释：最长递增子序列是 [2,3,7,101]，因此长度为 4 。

1、题目分析

这是典型的序列类型动态规划题目。

2、确定状态

最后一份：对于最优的策略，一定有最后一个元素a[j]。

第一种情况：最优策略中最长上升子序列为{a[j]}，答案就是1

第二种情况子序列长度大于1，那么最优策略中a[j]前一个元素是a[i]，并且a[i]<a[j]。

因为是最优策略，那么它选中的以a[j]结尾的上升子序列一定是最长的。

但是因为不确定a[j]前一个元素是谁，因此需要枚举每个i，转化为子问题：i<j。

综上所述，我们可以假设状态：f[i]表示以a[i]结尾的最长上升子序列的长度。

3、转移方程

f[i]表示以a[i]结尾的最长上升子序列的长度。

4、初始条件和边界情况

情况2必须满足i>0,a[j]>a[i]，满足单调性

初始条件：空

5、计算顺序

从小大到计算。

答案是max{f[0],f[1],f[2]……,f[n-1]}

算法时间复杂度O(n*n)，空间复杂度O(n)

6、代码实现

class Solution:
    def lengthOfLIS(self, nums: List[int]) -> int:
        if len(nums)==0:
            return 0
        dp = [0 for i in range(len(nums))]
        dp[0]=1
        max1 = 1
        for i in range(1,len(nums)):