找出最具竞争力的子序列_[算尽天下系列第8期]LeetCode·300·最长上升子序列

LeetCode 300 最长上升子序列

题目描述

给定一个无序的整数数组，找到其中最长上升子序列的长度。

说明:

• 可能会有多种最长上升子序列的组合，你只需要输出对应的长度即可。
• 你算法的时间复杂度应该为
  。

进阶:

你能将算法的时间复杂度降低到

吗?

★ 来源：力扣（LeetCode）
链接： https:// leetcode-cn.com/problem s/longest-increasing-subsequence

样例

样例输入

[10,9,2,5,3,7,101,18]

样例输出

4

样例解释

最长的上升子序列是 [2,3,7,101]，它的长度是 4。

算法与数据结构

动态规划

贪心

二分查找

题解

LIS 是非常经典的动态规划，本文给出 2 种不同时间复杂度的解法，它们的思想都值得学习。

如果 f(n) 是数组 nums[0 .. n - 1] 中最长的上升子序列，f(n - 1) 是数组 nums[0 .. n - 2] 中最长的上升子序列，依次类推，f(1) 是数组 nums[0] 的最长上升子序列。假设已经有人帮我们解决了 f(1)、f(2)……f(n - 1) 的问题，我们怎么解决 f(n) 呢？

显然我们应该考虑 nums[n - 1] 的值，然后根据 f(1)、f(2)……f(n - 1) 的值来决定 f(n) 的值。可是，要考虑 nums[n - 1] 能不能与现有的 f(x) 构成最长上升子序列，我们必须将它与它的前一个元素 nums[n - 2] 比较大小，而根据上面的定义，我们还不知道 f(x) 到底有哪些元素，只知道到元素 nums[x - 1] 为止的最长上升子序列，不知道这个子序列是不是包含了最后的数。因此，我们需要规定 f(n) 为：如果包含了最后的数，那么最长的子序列应该是什么，即，最后这个数必须包含在子序列当中。

于是，我们终于可以开始梳理动态规划的四要素了。

首先，定义状态：我们定义状态 dp[i] 表示以 nums[i] 结尾的 LIS 的长度。

由状态的定义，可以自然得到最终结果是所有 dp[i] 中最大的。

接下去考虑初始条件：当序列长度为 1 时，自己构成一个序列，所以初始化所有 dp[i] = 1。

int[] dp = new int[nums.length];
for (int i = 0; i < nums.length; i++) {
	dp[i] = 1;
}

最后是状态转移方程，为了求 dp[i]，我们可以尝试在所有的 dp[j] 结尾加上 nums[i] 看看是不是可以让长度更长，所以，遍历 j = 0; j < i; j++，如果 nums[i] > nums[j] 说明当前数字大于待比较序列的最后一个数字，可以加上去，于是 LIS 长度变为 dp[j] + 1，只需要记录循环过程中出现的最大的 dp[j] + 1 即可。

for (int i = 0; i < nums.length; i++) {
	for (int j = 0; j < i; j++) {
		if (nums[i] > nums[j]) {
			dp[i] = Math.max(dp[i], dp[j] + 1);
		}
	}
}

最后，找出所有 dp[i] 中的最大值，就是答案。注意，最长子序列不一定是以最后一个元素结尾的，所以不能用 dp[length - 1] 作为答案。

int ans = 0;
for (int i = 0; i < nums.length; i++) {
	ans = Math.max(ans, dp[i]);
}
return ans;

这样的时间复杂度是平方级别的，有没有办法进一步优化呢？

（我既然这么问了，那显然是可以的）

回顾我们人类怎么找最长上升子序列的：对于一个上升子序列，如果当前最后一个元素越小，那么就越有利于往后添加新的元素，子序列的长度自然也就越长。

这是一种贪心的思想。

我们维护一个 dp[] 数组，定义状态 dp[i] 为长度 i + 1 的所有的上升子序列中，结尾元素最小的那个子序列的结尾元素。例如长度为 3 的子序列有 2 个，分别是 {2, 4, 5} 和 {1, 3, 6}，那么 dp[2] 就是 5。

这样一来，答案就呼之欲出了，显然 dp.size() 的长度就是答案，因为 存在 这样一个长度为 dp.size() 的子序列，而不存在 dp.size() + 1 的子序列（否则就一定会有 dp[dp.size()] 的值）。

接下来考虑初始状态，dp[0] 的值是可以唯一确定的，只需要遍历整个 nums[] 数组，找到最小的那个就可以了。

但是等一下，这样的话，考察长度为 2、3、4 的时候，岂不是又变成了暴力枚举？因此，下面要运用贪心的思想来做。

我们贪婪地设置 dp[0] = nums[0]：长度为 1 的最长子序列，就第 1 个元素自己呗。至于后面有没有可能遇到比它更小的？可能。但这事我们留到后面再说，后面在状态转移的时候自然会解决这个问题。

下面我以样例为例，讲一讲是怎么做状态转移的。

[10, 9, 2, 5, 3, 7, 101, 18]

• 我们贪婪地设置 dp[0] = nums[0] = 10，当前 dp[] 为 [10]；
• i = 1，看到 nums[1] = 9，由于 9 比 10 小，所以更利于往后增加序列的长度，所以我们把 10 换成 9，当前 dp[] 为 [9]；
• i = 2，看到 nums[2] = 2，由于 2 比 9 小，所以更利于往后增加序列的长度，所以我们把 9 换成 2，当前 dp[] 为 [2]；
• i = 3，看到 nums[3] = 5，由于 5 比 dp[] 中每一个元素都要大，所以直接在数组尾部加上 5，当前 dp[] 为 [2, 5]；
• i = 4，看到 nums[4] = 3，由于 3 比 5 小，所以更利于往后增加序列的长度，所以我们把 5 换成 3，当前 dp[] 为 [2, 3]；
• i = 5，看到 nums[5] = 7，由于 7 比 dp[] 中每一个元素都要大，所以直接在数组尾部加上 7，当前 dp[] 为 [2, 3, 7]；
• i = 6，看到 nums[6] = 101，由于 101 比 dp[] 中每一个元素都要大，所以直接在数组尾部加上 101，当前 dp[] 为 [2, 3, 7, 101]；
• i = 7，看到 nums[7] = 18，由于 18 比 101 小，所以更利于往后增加序列的长度，所以我们把 101 换成 18，当前 dp[] 为 [2, 3, 7, 18]；
• 找完了所有的 i，dp.size() = 4 就是答案。

通过上面的过程，我们可以发现，对于每一个 nums[i]，我们要做两件事情：

• 如果它比 dp[] 数组中的每一个元素都要大，则将它加入到数组尾部。事实上容易发现，在我们的维护规则下，dp[] 是单调递增的，因此只需要和当前数组的最后一个数字比大小就可以了。

if (dp.get(dp.size() - 1) < nums[i]) {
    dp.add(nums[i]);
}

• 如果它不是比 dp[] 数组中每一个元素都要大，那么找到 dp[] 数组中第一个比它（nums[i]）大的元素 dp[x]，用 nums[i] 替换 dp[x]。

这个过程可以用二分查找，因此查找的时间复杂度是

，而除此以外我们只对数组进行了一次遍历，是线性的动态规划，所以总的时间复杂度是

。

在实现二分查找的时候，Java 可以使用 Arrays.binarySearch() 或者 Collections.binarySearch() 方法。这个方法接收的参数是 (list, key)，表示在 list 数组中找 key 这个数，也可以是增加了查找范围的 (list, startPosition, endPosition, key)，两者的区别只在不指名范围时是整个数组的范围。

需要特别说明的是这个函数的返回值：

• 如果找到，则返回该元素第一次出现的下标；
• 如果没找到，则返回 (-(insertion point) - 1)，其中 insertion point 表示这个值应该被插入在什么位置才能使得整个数组依旧有序，即，数组中第一个比该值大的元素的下标，或者数组的长度（如果所有元素都小于该值）。

在这样的定义下，这个方法保证了，当且仅当 key 被找到时，返回值大于等于 0。（再次强调，“当且仅当”，即，若 key 被找到，则返回值大于等于 0，若返回值大于等于 0，则 key 被找到）。

所以，我们可以利用返回值的正负来进行不同的操作。

int searchResult = Collections.binarySearch(dp, nums[i]);
if (searchResult < 0) {
	int insertionPoint = -(searchResult + 1);
	dp.set(insertionPoint, nums[i]);
}

对于 C++，可以使用 lower_bound()。

dp[lower_bound(dp, dp + pos + 1, a[i]) - dp] = a[i];

注意 C++ 的这个函数，返回值只有正数，因此不能直接知道是不是存在 key，它可能只是返回的是这个值应该存在的地方。不过好在，就算存在，那用相同的值替换，也没关系。

完整代码

O(n^2) 时间复杂度

int[] dp = new int[nums.length];
for (int i = 0; i < nums.length; i++) {
	dp[i] = 1;
}
for (int i = 0; i < nums.length; i++) {
	for (int j = 0; j < i; j++) {
		if (nums[i] > nums[j]) {
			dp[i] = Math.max(dp[i], dp[j] + 1);
		}
	}
}
int ans = 0;
for (int i = 0; i < nums.length; i++) {
	ans = Math.max(ans, dp[i]);
}
return ans;

O(n log n) 时间复杂度

if (nums.length == 0) {
	return 0;
}
ArrayList<Integer> dp = new ArrayList<>();
dp.add(nums[0]);
for (int i = 1; i < nums.length; i++) {
	if (dp.get(dp.size() - 1) < nums[i]) {
		dp.add(nums[i]);
	} else {
		int searchResult = Collections.binarySearch(dp, nums[i]);
		if (searchResult < 0) {
			int insertionPoint = -(searchResult + 1);
			dp.set(insertionPoint, nums[i]);
		}
	}
}
return dp.size();

关于我

欢迎关注我的个人博客以阅读更多优秀文章：https://s.zzw.ink/blog

也欢迎关注我的其他平台：知乎（ https://s.zzw.ink/zhihu ）、知乎专栏（ https://s.zzw.ink/zhuanlan ）、哔哩哔哩（ https://s.zzw.ink/blbl ）、微信公众号（ 凝神长老和他的朋友们 ）