动态规划：力扣1143. 最长公共子序列

1、题目描述：

2、题解：

方法：动态规划：

动态规划问题，弄清楚三点：

1、重复子问题；
2、最优子结构；
3、无后效性。
动态规划：

1、状态定义；
2、状态转移方程；
3、初始化；base case
4、输出；
5、思考状态压缩。
可以用递归去求，但是会存在重叠子问题，加个备忘录可以解决重复问题。

状态定义：dp[i][j],表示text1的第i个字符结尾的字符串与text2的第j个字符结尾的字符串的最长公共子序列，
也就text1[0:i],text2[0:j]之间的最长公共子序列。
状态转移方程：
    if text1[i - 1] == text2[j - 1]:
        dp[i][j] = dp[i - 1][j - 1] + 1
    else:
        dp[i][j] = max(dp[i - 1][j], dp[i][j - 1])
    解释：如果两个单词的结尾的字符相等，我们就让上个状态的最长公共子序列+1，也即dp[i-1][j-1] + 1
    否则，就是dp[i - 1][j], dp[i][j - 1]中的相对大的值。其实这里看成dp[i - 1][j], dp[i][j - 1]，dp[i-1][j-1]
    三者的最大值也可以，只不过dp[i-1][j-1]一定是三者中的最小值，所以可以省略
初始化,base case:
dp[i][0] = dp[0][j] = 0 也就是第一行和第一列都为0，这是因为text1,text2中只要一个是空的，那么最长的公共子序列长度为0
输出：
dp[m][n]，也就是从左上到右下移动

class Solution:
    def longestCommonSubsequence(self, text1: str, text2: str) -> int:
        # 动态规划
        m, n = len(text1), len(text2)
        dp = [[0] * (n + 1) for _ in range(m + 1)]
        for i in range(1, m + 1):
            for j in range(1, n + 1):
                if text1[i - 1] == text2[j - 1]:
                    dp[i][j] = dp[i - 1][j - 1] + 1
                else:
                    dp[i][j] = max(dp[i - 1][j], dp[i][j - 1])
        return dp[m][n]

优化：状态压缩：

last 相当于dp[i-1][j-1]
temp 相当于dp[i-1][j]
dp[j-1] 相当于 dp[i][j-1]

代码如下：

class Solution:
    def longestCommonSubsequence(self, text1: str, text2: str) -> int:
            if not text1 or not text2:
                return 0
            m,n = len(text1),len(text2)
            dp = [0] * (n+1)
            for i in range(1,m+1):
                last = 0
                for j in range(1,n+1):
                    temp = dp[j]
                    if text1[i-1] == text2[j-1]:
                        dp[j] = last + 1
                    else:
                        dp[j] = max(temp,dp[j-1])
                    last = temp
            return dp[n]

3、复杂度分析：

优化前：
时间复杂度：O(N^2)
空间复杂度：O(N^2)
优化后：
时间复杂度：O(N^2)
空间复杂度：O(N)