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)