动态规划双字符串

编辑距离

题目描述

给你两个单词 word1 和 word2， 请返回将 word1 转换成 word2 所使用的最少操作数 。

你可以对一个单词进行如下三种操作：

插入一个字符
删除一个字符
替换一个字符

示例 1：

输入：word1 = “horse”, word2 = “ros”
输出：3
解释：
horse -> rorse (将 ‘h’ 替换为 ‘r’)
rorse -> rose (删除 ‘r’)
rose -> ros (删除 ‘e’)
示例 2：

输入：word1 = “intention”, word2 = “execution”
输出：5
解释：
intention -> inention (删除 ‘t’)
inention -> enention (将 ‘i’ 替换为 ‘e’)
enention -> exention (将 ‘n’ 替换为 ‘x’)
exention -> exection (将 ‘n’ 替换为 ‘c’)
exection -> execution (插入 ‘u’)

提示：

0 <= word1.length, word2.length <= 500
word1 和 word2 由小写英文字母组成

思路

方法一：暴力递归

// 暴力递归
class Solution {
public:
    int minDistance(string word1, string word2) {
        s1 = word1;
        s2 = word2;
        int m = word1.size();
        int n = word2.size();
        // // 定义：返回 s1[0..i] 和 s2[0..j] 的最小编辑距离
        // int dp(string s1, int i, string s2, int j) {
        return dp(m - 1, n - 1);
    }
private:
    string s1;
    string s2;

    int dp(int i, int j)
    {
        // base case:递归结束条件
        // i走完s1或者j走完S2时，直接返回另一个字符串剩下的长度
        if (i == -1) { 
            return j + 1;
        }
        if (j == -1) {
            return i + 1;
        }

        if(s1[i] == s2[j]) {
            return dp(i - 1, j - 1); // do nothing
        } else {
            return minVal(
                dp(i, j - 1) + 1,      // 插入
                dp(i - 1, j) + 1,      // 删除
                dp(i - 1, j - 1) + 1); // 替换
        }
    }
    
    int minVal(int a, int b, int c) {
        return min(min(a, b), c);
    }
};

方法二：递归+备忘录

// 递归+备忘录
class Solution {
public:
    int minDistance(string word1, string word2) {
        s1 = word1;
        s2 = word2;
        int m = word1.size();
        int n = word2.size();
        memo = vector<vector<int>> (m, vector<int>(n, -1));
        return dp(m - 1, n - 1);
    }
private:
    string s1;
    string s2;
    vector<vector<int>> memo;
    int dp(int i, int j)
    {
        // base case:递归结束条件
        // i走完s1或者j走完S2时，直接返回另一个字符串剩下的长度
        if (i == -1) { 
            return j + 1;
        }
        if (j == -1) {
            return i + 1;
        }

        if (memo[i][j] != -1) {
            return memo[i][j];
        }

        if(s1[i] == s2[j]) {
            memo[i][j] = dp(i - 1, j - 1); // do nothing
        } else {
            memo[i][j] = minVal(
                dp(i, j - 1) + 1,      // 插入
                dp(i - 1, j) + 1,      // 删除
                dp(i - 1, j - 1) + 1); // 替换
        }
        return memo[i][j];
    }
    
    int minVal(int a, int b, int c) {
        return min(min(a, b), c);
    }

};

方法三:动态规划

// 动态规划
class Solution {
public:
    int minDistance(string word1, string word2) {
        int m = word1.size();
        int n = word2.size();
        vector<vector<int>> dp(m + 1, vector<int>(n + 1, 0));
        // base case
        for (int i = 0; i <= m; i++) {
            dp[i][0] = i;
        }
        for (int j = 0; j <= n; j++) {
            dp[0][j] = j;
        }
        for (int i = 1; i <= m; i++) {
            for (int j = 1; j <= n; j++) {
                if (word1[i - 1] == word2[j - 1]) {
                    dp[i][j] = dp[i - 1][j - 1]; // do nothing
                } else {
                    dp[i][j] = minVal(
                        dp[i][j - 1] + 1,      // 插入
                        dp[i - 1][j] + 1,      // 删除
                        dp[i - 1][j - 1] + 1); // 替换
                }
            }
        }
        return dp[m][n];
    }
    
    int minVal(int a, int b, int c) {
        return min(min(a, b), c);
    }
};

最长公共子序列

题目描述

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。如果不存在 公共子序列 ，返回 0 。

一个字符串的 子序列 是指这样一个新的字符串：它是由原字符串在不改变字符的相对顺序的情况下删除某些字符（也可以不删除任何字符）后组成的新字符串。

例如，“ace” 是 “abcde” 的子序列，但 “aec” 不是 “abcde” 的子序列。
两个字符串的 公共子序列 是这两个字符串所共同拥有的子序列。

示例 1：

输入：text1 = “abcde”, text2 = “ace”
输出：3
解释：最长公共子序列是 “ace” ，它的长度为 3 。
示例 2：

输入：text1 = “abc”, text2 = “abc”
输出：3
解释：最长公共子序列是 “abc” ，它的长度为 3 。
示例 3：

输入：text1 = “abc”, text2 = “def”
输出：0
解释：两个字符串没有公共子序列，返回 0 。

提示：

1 <= text1.length, text2.length <= 1000
text1 和 text2 仅由小写英文字符组成。

方法一：递归方法

class Solution {
public:
    int longestCommonSubsequence(string text1, string text2) {
       s1 = text1;
       s2 = text2;
       int m = text1.size();
       int n = text2.size();
       return dp(m - 1, n - 1); 
    }

private:
    string s1, s2;
    int dp(int i, int j)
    {
        // base case,递归终止条件
        if (i == -1 || j == -1) {
            return 0;
        }
    
        if (s1[i] == s2[j]) {
            return dp(i - 1, j - 1) + 1;
        } else {
            return max(dp(i - 1, j), dp(i, j - 1));
        }
    }
}

方法二：备忘录方法（递归+备忘录+自顶向下）

class Solution {
public:
    int longestCommonSubsequence(string text1, string text2) {
       s1 = text1;
       s2 = text2;
       int m = text1.size();
       int n = text2.size();
       memo = vector<vector<int>> (m, vector<int>(n, -1));
       return dp(m - 1, n - 1); 
    }

private:
    vector<vector<int>> memo;
    string s1, s2;
    int dp(int i, int j)
    {
        // base case,递归终止条件
        if (i == -1 || j == -1) {
            return 0;
        }
        // 先查询备忘录，避免重复计算
        if (memo[i][j] != -1) {
            return memo[i][j];
        }
 
        if (s1[i] == s2[j]) {
            memo[i][j] = dp(i - 1, j - 1) + 1;
        } else {
            memo[i][j] = max(dp(i - 1, j), dp(i, j - 1));
        }

        return memo[i][j];
    }
};

方法三：动态规划(循环+备忘录+自底向上)

class Solution {
public:
    int longestCommonSubsequence(string text1, string text2) {
       int m = text1.size();
       int n = text2.size();
       // dp[0][~] || dp[~][0] = 0;
       vector<vector<int>> dp(m + 1, vector<int>(n + 1,0));

       for (int i = 1; i <= m; i++) {
            for (int 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] = max(dp[i - 1][j], dp[i][j -1]);
                }
            }
       }

       return dp[m][n];   
    }
};

正则表达式匹配

LeetCode10