LeetCode 300 最长递增子序列

该博客介绍了一种利用动态规划算法求解数组中最长递增子序列的方法。通过一维数组dp存储子状态,并在遍历过程中更新dp[i],找到每个位置上能构成最长递增子序列的前驱元素。最终返回dp数组中的最大值作为最长递增子序列的长度。代码示例使用了Go语言实现。

1、数据结构:一维数组 dp 存储动态规划过程中的子状态

2、动态规划:

  • dp[i]中存储包含nums[i]的最长递增子序列。
  • 当遍历nums至nums[i]时,遍历前边的数字,找小于nums[i]的数字nums[j]。
  • 令dp[i]=max(dp[i], dp[j]+1)。
  • 在循环过程中,维持ans记录当前的最长序列。
  • 返回ans。

 Go

func lengthOfLIS(nums []int) int {
    var ans int=1
    var dp []int=make([]int, len(nums))
    for k, _:=range dp{ dp[k]=1 }

    for i:=1; i<len(nums); i++{
        for j:=0; j<i; j++{
            // fmt.Println(i, j, dp)
            if nums[j]<nums[i]{
                dp[i]=getMax(dp[i], dp[j]+1)
            }
        }
        ans=getMax(ans, dp[i])
    }
    return ans
}

func getMax(a, b int) int {
    if a>=b {
        return a
    }else{ return b }
}

LeetCode 673 题“最长递增子序列的个数”的动态规划解法及分析如下: ### 分析 - **定义状态**: - `dp[i]`:到`nums[i]`为止的最长递增子序列长度。 - `count[i]`:到`nums[i]`为止的最长递增子序列个数 [^2]。 - **初始化状态**: - `dp = [1] * n`:代表最长递增子序列的长度至少为 1。 - `count = [1] * n`:代表最长递增子序列的个数至少为 1 [^2]。 - **状态转移**: - 对于每个`i`,从 0 到`i - 1`遍历`j`,如果`nums[i] > nums[j]`,则有以下两种情况: - 若`dp[i] < dp[j] + 1`,说明找到了更长的递增子序列,更新`dp[i] = dp[j] + 1`,同时`count[i] = count[j]`。 - 若`dp[i] == dp[j] + 1`,说明找到了长度相同的递增子序列,更新`count[i] += count[j]` [^2]。 ### 代码实现 以下是用 C++ 实现的代码: ```cpp class Solution { public: int findNumberOfLIS(vector<int>& nums) { int n = nums.size(); if(n < 2) return n; vector<int> cnts(n, 1); vector<int> lens(n, 1); for(int i = 1; i < n; ++i) { for(int j = 0; j < i; ++j) { if(nums[i] > nums[j]) { // 代表第一次遇到最长子序列 if(lens[i] < lens[j] + 1) { lens[i] = lens[j] + 1; cnts[i] = cnts[j]; } // 代表已经遇到过最长子序列 else if(lens[i] == lens[j] + 1) { cnts[i] += cnts[j]; } } } } // 求最长递增子序列的长度 int maxLen = *max_element(lens.begin(), lens.end()); int maxCnt = 0; // 找到有最长长度的次数,将它们加起来 for(int i = 0; i < n; ++i) { if(maxLen == lens[i]) maxCnt += cnts[i]; } return maxCnt; } }; ``` 以下是用 C 语言实现的代码: ```c int findNumberOfLIS(int* nums, int numsSize) { if(numsSize == 0 || numsSize == 1) return numsSize; int *length = (int*)malloc(sizeof(int) * numsSize); int *count = (int*)malloc(sizeof(int) * numsSize); for(int i = 0; i < numsSize; i++) { count[i] = 1; // 以nums[i] 结尾得最长序列的个数 length[i] = 1; // 以nums[i]结尾的最长序列的长度 } int max = 1; for(int i = 1; i < numsSize; i++) { for(int j = 0; j < i; j++) { if(nums[i] > nums[j]) { if(length[i] < length[j] + 1) { length[i] = length[j] + 1; count[i] = count[j]; } else if(length[i] == length[j] + 1) { count[i] += count[j]; } } } max = max > length[i] ? max : length[i]; } int res = 0; for(int i = 0; i < numsSize; i++) { if(length[i] == max) res += count[i]; } return res; } ``` ### 复杂度分析 - **时间复杂度**:$O(n^2)$,其中`n`是数组的长度,因为有两层嵌套循环 [^3]。 - **空间复杂度**:$O(n)$,主要用于存储`dp`和`count`数组 [^3]。 ### 总结 动态规划是解决最长递增子序列个数问题的一种有效方法。通过定义合适的状态和状态转移方程,可以逐步计算出到每个位置为止的最长递增子序列长度和个数。最后,找出最长递增子序列的长度,并统计拥有该长度的子序列个数。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值