【leetcode】300.最长上升子序列（动态规划多种解法， java实现）

300. 最长上升子序列

难度中等

给定一个无序的整数数组，找到其中最长上升子序列的长度。

示例:

输入: [10,9,2,5,3,7,101,18]
输出: 4 
解释: 最长的上升子序列是 [2,3,7,101]，它的长度是 4。

说明:

• 可能会有多种最长上升子序列的组合，你只需要输出对应的长度即可。
• 你算法的时间复杂度应该为 O(n2) 。

进阶: 你能将算法的时间复杂度降低到 O(n log n) 吗?

分析

首先，需要对「子序列」和「子串」这两个概念进行区分；

• 子序列（subsequence）

子序列并不要求连续，例如：序列 [4, 6, 5] 是 [1, 2, 4, 3, 7, 6, 5] 的一个子序列。

• 子串（substring、subarray）

子串一定是连续的，例如：「力扣」第 3 题：“无重复字符的最长子串”，「力扣」第 53 题：“最大子序和”。

其次，题目中的「上升」的意思是「严格上升」，[1, 2, 2, 3] 都不能算作「上升子序列」；

第三，子序列中元素的相对顺序很重要。

它们必须保持在原始数组中的相对顺序。如果把这个限制去掉，将原始数组去重以后，元素的个数即为所求。

---

方法一：暴力解法

• 使用「回溯搜索算法」或者「位运算」的技巧，可以得到输入数组的所有子序列，时间复杂度为 $O(2^N)$；
• 再对这些子串再依次判定是否为「严格上升」，时间复杂度 为O(N)，所以总的时间复杂度为：$O(N{2}^N)$。

---

这道题是很经典的使用「动态规划」算法解决的问题。

「动态规划」的基本思想是：

从一个小问题出发（「动态」这个词的意思的意思），通过「状态转移」，并且逐步记录求解问题的过程（「规划」这个词的意思，就是「打表格」，以「以空间换时间」），逐步得到所求规模的问题的解。

对于这道题来说，就是一个数一个数地去考虑（区别于递归的写法，直接面对问题求解）。

---

方法二：动态规划

• 首先考虑题目问什么，就把什么定义成状态。
• 题目问最长上升子序列的长度，其实可以把「子序列的长度」定义成状态，但是发现「状态转移」不好做；
• 把「子序列的长度」定义成状态，事实上也可以，只是目前这样定义状态，没有定义得很清晰，具体做法在下文「方法三」；
• 为了从一个较短的上升子序列得到一个较长的上升子序列，我们主要关心这个较短的上升子序列结尾的元素。由于要保证子序列的相对顺序，在程序读到一个新的数的时候，如果比已经得到的子序列的最后一个数还大，那么就可以放在这个子序列的最后，形成一个更长的子序列；

于是我们可以这样定义状态：

第 1 步：定义状态

由于一个子序列一定会以一个数结尾，于是将状态定义成：dp[i] 表示以 nums[i] 结尾的「上升子序列」的长度。注意：这个定义中 nums[i] 必须被选取，且必须是这个子序列的最后一个元素。

第 2 步：考虑状态转移方程

• 遍历到 nums[i] 时，需要把下标 i 之前的所有的数都看一遍；
• 只要 nums[i] 严格大于在它位置之前的某个数，那么 nums[i] 就可以接在这个数后面形成一个更长的上升子序列；
• 因此，dp[i] 就等于下标 i 之前严格小于 nums[i] 的状态值的最大者 +1。

语言描述：在下标 i 之前严格小于 nums[i] 的所有状态值中的最大者 + 1。

符号描述：

$dp[i]={\max }_{0\le j<i,nums[j]<nums[i]}dp[j]+1,$

第 3 步：考虑初始化

• dp[i] = 1，1 个字符显然是长度为 1 的上升子序列。

第 4 步：考虑输出

• 这里要注意，不能返回最后一个状态值；
• 还是根据定义，最后一个状态值只是以 nums[len - 1] 结尾的「上升子序列」的长度；
• 状态数组 dp 的最大值才是最后要输出的值。

max