java斐波那切数列动态规划_动态规划——从斐波那契数列说起

好嘞，咱们康康怎么用动态规划来求吧。(聪明的你要不先想一个暴力的写法练练手再往下看？)

首先，这个题目是让咱们求最长递增子序列，符合最什么什么的要求，而且没让咱们把子序列写出来也符合只求结果不给方案的题目要求，所以我们初步判断可以用动态规划来做。

第一步，先确定一个dp数组，并给出其中元素的含义。这里咱们就设置一个和nums数组相等长度的dp数组吧，dp[i]的意义就是：以nums[i]为结尾的最长递增子序列的长度。所以最后dp中的最大值就是nums的最长递增子序列的长度(因为nums中最长递增子序列可能以nums数组中任何一个元素为结尾。)

第二步，咱们看看是不是要设定几个初值呀，我们发现，在没经过后续计算之前，以nums[i]元素为结尾的最长递增子序列的长度最少是1，就是nums[i]自己。所以这个题目我们需要先给dp中每个元素赋一个初值1。

第三步，啊，我们来看看最难的状态转移方程，或者说，后面的dp[i]的值怎么用前面的值来更新吧。想想看，比如下面这种情况：

此时你打算计算dp[5]的值，而且nums[5] = 3。那么在前面1 4 3 4 2 这些数中，只要有一个数比nums[5] = 3要小，我们自然可以把nums[5] = 3这个数放到它后面组成一个递增子序列，考虑到这一步，dp[5]就好求了。首先我们看看nums[0] = 1这个数，是的比3小，所以3可以放到1后面，组成一个递增子序列。而且我们还知道dp[0] = 1，也就是说以nums[0] = 1这个元素结尾的最长递增子序列长度为1，我们把3放到这个子序列后面就可以组成一个长度为2的递增子序列，我们就暂时令dp[5] = dp[0] + 1=2；接着看nums[1] = 4，哎比3要大，没办法，下一个；下一个是nums[2] = 3，等于3，不行，递增子序列要求后一个比前一个要大，相等也不行，下一个；下一个是nums[3] = 4，同理不行，下一个；下一个是nums[4] = 2，比3要小，可以，我们可以把3放在这个2后面组成一个递增序列，又知道dp[4] = 2，所以前面以nums[4] = 2这个元素结尾的最长递增子序列长度为2，那也就是说，我们把3放到这个以nums[4] = 2为结尾的最长递增子序列后面可以得到一条长度加1的递增子序列，所以此时可以组成长度为dp[4] + 1 = 3的递增子序列。上一次在index = 0的时候，我们暂时令dp[5] = 2，到index = 4的时候，我们又发现nums[5] 可以和nums[4]组成长度为3的递增子序列，比之前的2更大了，所以我们重新令dp[5] = 3。

所以，这个题目中状态转移方程，需要遍历每一个前面各个位置来确定，看看当前的数可不可以和前面的数组成长度更长的递增子序列。

写出代码如下：

1 int maxIncreasingSubsequence(int[] nums){2 //确定一个dp数组，并给出其中元素的含义.3 //dp[i]的意义就是：以nums[i]为结尾的最长递增子序列的长度

4 int[] dp = new int[nums.length];5 //设定初值,以nums[i]元素为结尾的最长递增子序列的长度最少是1

6 Arrays.fill(dp,1);7 for(int i=0;i

12 if(nums[j]

18 int res = 0;19 for(intnum : dp){20 res =Math.max(res,num);21 }22 returnres;23 }

好了，其实你可以发现，这个题目用动态规划来做的话复杂度为O(n^2)，和暴力解法(我说，暴力解法你写出来没有？)复杂度一样，但是这并不说明动态规划就很垃圾，在大部分题目中，动态规划一般都可以把复杂度降为O(n)。

本月的直播，我将再讲几个动态规划的经典题目，相信大家如果了解的话，做935数据结构代码题就会多一种高效的让改卷老师眼前一亮的武器哦。

另外，其实这个题目还有一种O(nlogn)的解法，有兴趣的同学可以思考一下，具体的需要用到二分的变体，还记得吧，上上次直播咱们可都是讲了二分以及其所有变体的嘛

然后，要不咱们举一反三一下，稍微改一下这个题目：

已知一个int类型的数组nums,请求除nums的最长非递减子序列的长度。

例如：nums=[4,-1,2,2,2,3,-5,7,10]这个数组的最长非递减子序列就应该是

-1，2，2，2，3，7，10，而不再是-1，2，3，7，10了。所以此时应该返回7。

所以你们能不能想想如何用动态规划做呢？提示，只需要稍微修改一下上面求最长递增子序列的动态规划代码哦。