数据结构与算法-最长公共子序列

数据结构与算法-最长公共子序列

大家好，欢迎回到我们的算法学习系列。今天，我们将探讨一个经典的动态规划问题——最长公共子序列（Longest Common Subsequence，简称 LCS）。这个问题在字符串处理和比较中非常常见。

什么是最长公共子序列？

最长公共子序列是指在两个序列中，按照顺序出现但不一定连续出现的最长子序列。例如，字符串 ABCBDAB 和 BDCABA 的最长公共子序列是 BCBA 或 BDAB，长度为 4。

问题描述

给定两个字符串 text1 和 text2，返回这两个字符串的最长公共子序列的长度。

示例

• 输入：text1 = "abcde", text2 = "ace"
  输出：3（最长公共子序列是 “ace”）
• 输入：text1 = "abc", text2 = "abc"
  输出：3（最长公共子序列是 “abc”）

解决思路

我们可以使用动态规划（Dynamic Programming）来解决这个问题。动态规划通过将问题分解为子问题，并将子问题的结果存储起来，以便后续计算使用，从而提高效率。

动态规划的步骤

1. 定义状态：定义一个二维数组 dp，其中 dp[i][j] 表示字符串 text1 的前 i 个字符与字符串 text2 的前 j 个字符的最长公共子序列长度。
2. 初始化：初始化 dp 数组的第一行和第一列，因为如果一个字符串是空串，则最长公共子序列的长度为 0。
3. 状态转移：对于每个字符 text1[i-1] 和 text2[j-1]：
   • 如果 text1[i-1] == text2[j-1]，则 dp[i][j] = dp[i-1][j-1] + 1
   • 否则，dp[i][j] = max(dp[i-1][j], dp[i][j-1])
4. 返回结果：dp[m][n] 即为 text1 和 text2 的最长公共子序列长度，其中 m 和 n 分别是 text1 和 text2 的长度。

实现代码

下面是用 JavaScript 实现的最长公共子序列算法：

function longestCommonSubsequence(text1, text2) {
  const m = text1.length;
  const n = text2.length;
  const dp = Array.from({ length: m + 1 }, () => Array(n + 1).fill(0));

  for (let i = 1; i <= m; i++) {
    for (let j = 1; j <= n; j++) {
      if (text1[i - 1] === text2[j - 1]) {
        dp[i][j] = dp[i - 1][j - 1] + 1;
      } else {
        dp[i][j] = Math.max(dp[i - 1][j], dp[i][j - 1]);
      }
    }
  }

  return dp[m][n];
}

代码解析

1. 初始化二维数组：创建一个大小为 (m+1) x (n+1) 的二维数组 dp，并初始化为 0。
2. 双重循环遍历：使用双重循环遍历字符串 text1 和 text2 的每个字符。
3. 状态转移：
   • 如果字符相同，则 dp[i][j] = dp[i-1][j-1] + 1。
   • 如果字符不同，则 dp[i][j] = max(dp[i-1][j], dp[i][j-1])。
4. 返回结果：dp[m][n] 即为两个字符串的最长公共子序列长度。

图解

让我们通过图解来理解动态规划的过程：

假设 text1 = "abcde" 和 text2 = "ace"：

初始化 dp 数组：

  '' a b c d e
'' 0 0 0 0 0 0
a  0 0 0 0 0 0
c  0 0 0 0 0 0
e  0 0 0 0 0 0

填充 dp 数组：

  '' a b c d e
'' 0 0 0 0 0 0
a  0 1 1 1 1 1
c  0 1 1 2 2 2
e  0 1 1 2 2 3

最终结果 dp[5][3] = 3，即最长公共子序列的长度为 3。

小结

今天，我们学习了最长公共子序列算法的原理、实现方法和应用场景。通过动态规划的方法，我们可以高效地求解两个字符串的最长公共子序列长度，这在字符串处理和比较中非常常用。

感谢大家的阅读！如果你有任何问题或建议，欢迎在评论区留言。让我们一起在算法的世界中不断学习和进步！