_48LeetCode代码随想录算法训练营第四十八天-动态规划 | 583.两个字符串的删除操作、72.编辑距离、编辑距离总结篇
题目列表
- 583.两个字符串的删除操作
- 72.编辑距离
- 编辑距离总结篇
583.两个字符串的删除操作
代码随想录地址:https://programmercarl.com/0583.%E4%B8%A4%E4%B8%AA%E5%AD%97%E7%AC%A6%E4%B8%B2%E7%9A%84%E5%88%A0%E9%99%A4%E6%93%8D%E4%BD%9C.html
题目
给定两个单词 word1
和 word2
,返回使得 word1
和 word2
相同所需的最小步数。
每步 可以删除任意一个字符串中的一个字符。
示例 1:
输入: word1 = "sea", word2 = "eat"
输出: 2
解释: 第一步将 "sea" 变为 "ea" ,第二步将 "eat "变为 "ea"
示例 2:
输入:word1 = "leetcode", word2 = "etco"
输出:4
提示:
1 <= word1.length, word2.length <= 500
word1
和word2
只包含小写英文字母
思路
- 确定dp数组(dp table)以及下标的含义
dp[i] [j]:以i-1为结尾的字符串word1,和以j-1位结尾的字符串word2,想要达到相等,所需要删除元素的最少次数。
这里dp数组的定义有点点绕,大家要撸清思路。
- 确定递推公式
- 当word1[i - 1] 与 word2[j - 1]相同的时候
- 当word1[i - 1] 与 word2[j - 1]不相同的时候
当word1[i - 1] 与 word2[j - 1]相同的时候,dp[i] [j] = dp[i - 1] [j - 1];(就是不删)
当word1[i - 1] 与 word2[j - 1]不相同的时候,有三种情况:
情况一:删word1[i - 1],最少操作次数为dp[i - 1] [j] + 1
情况二:删word2[j - 1],最少操作次数为dp[i] [j - 1] + 1
情况三:同时删word1[i - 1]和word2[j - 1],操作的最少次数为dp[i - 1] [j - 1] + 2
那最后当然是取最小值,所以当word1[i - 1] 与 word2[j - 1]不相同的时候,递推公式:dp[i] [j] = min({dp[i - 1] [j - 1] + 2, dp[i - 1] [j] + 1, dp[i] [j - 1] + 1});
因为 dp[i] [j - 1] + 1 = dp[i - 1] [j - 1] + 2,所以递推公式可简化为:dp[i] [j] = min(dp[i - 1] [j] + 1, dp[i] [j - 1] + 1);
- dp数组如何初始化
从递推公式中,可以看出来,dp[i] [0] 和 dp[0] [j]是一定要初始化的。
dp[i] [0]:word2为空字符串,以i-1为结尾的字符串word1要删除多少个元素,才能和word2相同呢,很明显dp[i] [0] = i。
dp[0] [j]的话同理
- 确定遍历顺序
所以遍历的时候一定是从上到下,从左到右。
- 动态推导dp数组
草稿纸。
代码
- 时间复杂度:O(m * n) ,m表示word1的元素个数, n表示word2的元素个数。
- 空间复杂度:O(m * n)
/*
* @lc app=leetcode.cn id=583 lang=cpp
*
* [583] 两个字符串的删除操作
*/
// @lc code=start
class Solution {
public:
int minDistance(string word1, string word2) {
//定义及初始化dp数组
vector<vector<int>> dp(word1.size() + 1, vector<int>(word2.size() + 1, 0));
for(int i = 0; i <= word1.size(); i++)
dp[i][0] = i;
for(int j = 0; j <= word2.size(); j++)
dp[0][j] = j;
//遍历
for(int i = 1; i <= word1.size(); i++)
for(int j = 1; j <= word2.size(); j++)
{
if(word1[i - 1] == word2[j - 1])
dp[i][j] = dp[i - 1][j - 1];
else
dp[i][j] = min(dp[i - 1][j] + 1, dp[i][j - 1] + 1);
}
return dp[word1.size()][word2.size()];
}
};
// @lc code=end
- 时间复杂度:O(m * n) ,m表示word1的元素个数, n表示word2的元素个数。
- 空间复杂度:O(n)
/*
* @lc app=leetcode.cn id=583 lang=cpp
*
* [583] 两个字符串的删除操作
*/
// @lc code=start
class Solution {
public:
int minDistance(string word1, string word2) {
//定义及初始化dp数组
vector<vector<int>> dp(2, vector<int>(word2.size() + 1, 0));
for(int j = 0; j <= word2.size(); j++)
dp[0][j] = j;
//遍历
for(int i = 1; i <= word1.size(); i++)
{
dp[i % 2][0] = i;//每次都要重新初始化dp[i % 2][0],因为后面的递推公式会用到,相当于dp数组列的初始化
for(int j = 1; j <= word2.size(); j++)
{
if(word1[i - 1] == word2[j - 1])
dp[i % 2][j] = dp[(i - 1) % 2][j - 1];
else
dp[i % 2][j] = min(dp[(i - 1) % 2][j] + 1, dp[i % 2][j - 1] + 1);
}
}
return dp[word1.size() % 2][word2.size()];
}
};
// @lc code=end
72.编辑距离
代码随想录地址:https://programmercarl.com/0072.%E7%BC%96%E8%BE%91%E8%B7%9D%E7%A6%BB.html
题目
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
- 确定dp数组(dp table)以及下标的含义
dp[i] [j] 表示以下标i-1为结尾的字符串word1,和以下标j-1为结尾的字符串word2,最近编辑距离为dp[i] [j]。
- 确定递推公式
在确定递推公式的时候,首先要考虑清楚编辑的几种操作,整理如下:
if (word1[i - 1] == word2[j - 1])
不操作
if (word1[i - 1] != word2[j - 1])
增
删
换
if (word1[i - 1] == word2[j - 1]) 那么不用编辑,
dp[i] [j]就应该是
dp[i - 1] [j - 1],即
dp[i] [j] = dp[i - 1] [j - 1];
if (word1[i - 1] != word2[j - 1])
,此时就需要编辑了,如何编辑呢?
-
操作一 删:如果到dp[i - 1] [j]需要k步,那么到dp[i] [j] 需要多少步呢? 此时就需要删除word1[i - 1]才可达到,于是
dp[i][j] = dp[i - 1][j] + 1 = k + 1;
-
操作二 增:如果到dp[i] [j - 1]需要k步,那么达到dp[i] [j]需要多少步呢?此时就需要删除word2[j - 1]才可达到(删除word2[j- 1]就相当于增word1[i - 1]);因此,
dp[i][j] = dp[i][j - 1] + 1 = k + 1;
-
操作三 换:替换元素,
替换
word1[i - 1],使其与
word2[j - 1]相同,此时不用增删加元素。其实就是dp[i - 1] [j - 1]加一步转化而来。
- dp数组如何初始化
dp[i] [0] :以下标i-1为结尾的字符串word1,和空字符串word2,最近编辑距离为dp[i] [0]。
那么dp[i] [0]就应该是i,对word1里的元素全部做删除操作,即:dp[i] [0] = i;
同理dp[0] [j] = j;(此时就是填的操作了)
- 确定遍历顺序
从如下四个递推公式:
dp[i][j] = dp[i - 1][j - 1]
dp[i][j] = dp[i - 1][j - 1] + 1
dp[i][j] = dp[i][j - 1] + 1
dp[i][j] = dp[i - 1][j] + 1
可以看出dp[i][j]是依赖左方,上方和左上方元素的,如图:
所以在dp矩阵中一定是从左到右从上到下去遍历。
- 举例推导dp数组
以示例1为例,输入:word1 = "horse", word2 = "ros"
为例,dp矩阵状态图如下:
代码
- 时间复杂度:O(m * n) ,m表示word1的元素个数, n表示word2的元素个数。
- 空间复杂度:O(m * n)
/*
* @lc app=leetcode.cn id=72 lang=cpp
*
* [72] 编辑距离
*/
// @lc code=start
class Solution {
public:
int minDistance(string word1, string word2) {
//定义dp数组
vector<vector<int>> dp(word1.size() + 1, vector<int>(word2.size() + 1, 0));
//初始化dp数组
for(int i = 0; i <= word1.size(); i++)
dp[i][0] = i;
for(int j = 0; j <= word2.size(); j++)
dp[0][j] = j;
//遍历
for(int i = 1; i <= word1.size(); i++)
for(int j = 1; j <= word2.size(); j++)
{
if(word1[i - 1] == word2[j - 1])
dp[i][j] = dp[i - 1][j - 1];
else
dp[i][j] = min({dp[i - 1][j] + 1, dp[i][j - 1] + 1, dp[i - 1][j - 1] + 1});
}
return dp[word1.size()][word2.size()];
}
};
// @lc code=end
优化空间复杂度:
- 时间复杂度:O(m * n) ,m表示word1的元素个数, n表示word2的元素个数。
- 空间复杂度:O(n)
/*
* @lc app=leetcode.cn id=72 lang=cpp
*
* [72] 编辑距离
*/
// @lc code=start
class Solution {
public:
int minDistance(string word1, string word2) {
//定义dp数组
vector<vector<int>> dp(2, vector<int>(word2.size() + 1, 0));
//初始化dp数组
for(int j = 0; j <= word2.size(); j++)
dp[0][j] = j;
//遍历
for(int i = 1; i <= word1.size(); i++)
{
dp[i % 2][0] = i;//每次都要重新初始化首列的元素,和初始化dp一个道理
for(int j = 1; j <= word2.size(); j++)
{
if(word1[i - 1] == word2[j - 1])
dp[i % 2][j] = dp[(i - 1) % 2][j - 1];
else
dp[i % 2][j] = min({dp[(i - 1) % 2][j] + 1, dp[i % 2][j - 1] + 1, dp[(i - 1) % 2][j - 1] + 1});
}
}
return dp[word1.size() % 2][word2.size()];
}
};
// @lc code=end
编辑距离总结篇
代码随想录地址:https://programmercarl.com/%E4%B8%BA%E4%BA%86%E7%BB%9D%E6%9D%80%E7%BC%96%E8%BE%91%E8%B7%9D%E7%A6%BB%EF%BC%8C%E5%8D%A1%E5%B0%94%E5%81%9A%E4%BA%86%E4%B8%89%E6%AD%A5%E9%93%BA%E5%9E%AB.html