dp[i]是可以由dp[j](j < i)推导而来的,故实验dynamic programming
- dp[i]的定义:
dp[i]表示i
之前包括i的最长上升子序列的长度。- 状态转移方程
位置i的最长升序子序列等于j从0到i-1各个位置的最长升序自序列 + 1的最大值
故if(nums[i] > nums[j]) dp[i] = max(dp[i], dp[j] + 1)
这里不是要dp[i]与dp[j] + 1进行比较,而是要取dp[j] + 1的最大值- dp[i]的初始化
每一个i,对应的dp[i](即最长上升子序列)起始大小至少为1- 确定遍历顺序
dp[i]是由0到i-1各个位置的最长升序子序列推导而来,那么遍历i一定是从前向后遍历。
即j是从0到i-1,i是从0到nums.size()-1。i在外层,j在里层
class Solution {
public:
int lengthOfLIS(vector<int>& nums) {
if (nums.size() <= 1) return nums.size();
vector<int> dp(nums.size(), 1);
int result = 0;
for (int i = 1; i < nums.size(); i++) {
for (int j = 0; j < i; j++) {
if (nums[i] > nums[j]) dp[i] = max(dp[i], dp[j] + 1);
}
if (dp[i] > result) result = dp[i]; // 取长的子序列
}
return result;
}
};
与1不同,这里要求连续。连续的话就可以考虑使用滑动窗口了。
滑动窗口:
class Solution {
public:
int findLengthOfLCIS(vector<int>& nums) {
//nums = [1,3,5,4,7]
int l = 0, r = 1;
int res = 1, maxLen = 1;
while(r < nums.size()){
if(nums[r] > nums[r-1]){
res++;
}
else{
l = r;
res = 1;
}
r++;
if(res > maxLen) maxLen = res;
}
return maxLen;
}
};
也可以使用动态规划:
- dp[i]表示以下标
i
为结尾的连续递增的子序列的长度为dp[i]
(以下标i结尾,并不代表以0为开始位置)- 若nums[i + 1] > nums[i],则dp[i + 1] = dp[i] + 1
因为是要求连续递增子序列,故只用比较nums[i + 1]与nums[i]就行了。 若nums[i + 1] > nums[i]
,则dp[i + 1] = dp[i] + 1;- 初始化数组值为1
- 只需一层for循环
class Solution {
public:
int findLengthOfLCIS(vector<int>& nums) {
if (nums.size() == 0) return 0;
int result = 1;
vector<int> dp(nums.size() ,1);
for (int i = 0; i < nums.size() - 1; i++) {
if (nums[i + 1] > nums[i]) { // 连续记录
dp[i + 1] = dp[i] + 1;
}
if (dp[i + 1] > result) result = dp[i + 1];
}
return result;
}
};