最长公共子序列

题目介绍

力扣1143题：https://leetcode-cn.com/problems/longest-common-subsequence/
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。

分析

这也是一道动态规划的经典题目，很多较难的字符串问题都可以用类似的解法解决。在生物学应用中，经常会用到比较两个DNA基因序列的问题。DNA由A、C、G、T四种碱基分子构成，所以可以看作字母A、C、G、T构成的一个字符串。衡量两个DNA相似度的一个方法，就是看两者有多少相同的碱基对，而且，这些碱基对必须以相同的顺序出现。抽象之后，这就变成了字符串最长公共子序列的问题。

我们发现，这个问题是有最优子结构的。我们假设得到了字符串str1和str2的一个最长子序列lcs。现在考虑去掉str1和str2各自的最后一个字符（记为c1和c2），那么就有两种情况：

• c1和c2相同，那么这也一定是lcs的最后一个字符（记为t）。而且我们可以确定，去掉这个字符之后，lcs同样是str1和str2的最长子序列。
• c1和c2不同，那么lcs的最后一个字符t，至少跟c1、c2中的一个不同。str1、str2中与t不相同的那个末尾字符删除掉，不会影响结果，lcs仍是str1、str2的最长子序列。

如果我们按照字符串长度来划分阶段，很明显不同阶段中的子序列，是会重复遍历的。所以，这是一个典型的具有最优子结构、而且子问题有重叠的问题，可以用动态规划来解决。

动态规划实现

（1）划分阶段，定义状态
分别考虑字符串str1和str2长度从0增长到str.length的过程。每一对str1和str2，我们都可以求出一个当前的最长子序列（lcs）。而字符串增长之后的lcs，会跟之前的结果相关。
为了将子问题的解保存下来，我们定义一个二维矩阵dp，保存str1和str2在不同长度下得到的最长子序列长度。

这里dp[i][j] 的含义是：对于 str1[1…i] 和 str2[1…j]，它们的 lcs 长度是 dp[i][j]。这里str1[1…i]表示字符串str1截取前i个字符的子串，对应索引应该取0 ~ i-1。例如上图中，dp[2][4] 的含义就是：对于 “ac” 和 “babc”，它们的 lcs 长度是 2。我们最终想得到的答案应该是 dp[3][6]。

2）确定决策，写出状态转移方程
如果已经得到了上一阶段的最长子序列，那么接下来就是要扩充str1和str2的长度，然后比对新增字符。对于dp[i, j]的计算，当前末尾字符为str1[i-1]和str2[j-1]，我们把这两个字符分别记作c1和c2。可能有以下两种情况：
c1和c2相同
那么没有它们时，lcs为dp[i-1, j-1]，现在可以在后面追加一个字符了，所以

dp[i, j] = dp[i-1, j-1] + 1

c1和c2不同
那么只追加一个c1或者一个c2时，可能lcs会有变化，而两个都加上的时候，就不会再变化了。所以

dp[i, j] = max(dp[i-1, j], dp[i, j-1] )

（3）构造最优解
最终我们可以得到dp数组的右下角元素，就是全局的最优解。

代码如下：

public int longestCommonSubSequence(String text1, String text2){
        int l1 = text1.length();
        int l2 = text2.length();

        // 定义一个二维矩阵
        int[][] dp = new int[l1+1][l2+1];

        // 遍历所有状态，递推求解
        for (int i = 1; i <= l1; i++){
            for (int j = 1; j <= l2; j++){
                // 判断两个新增字符关系，进行状态转移
                if (text1.charAt(i-1) == text2.charAt(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[l1][l2];
    }

复杂度分析

• 时间复杂度：O(n1*n2)。其中n1、n2分别为字符串str1、str2的长度。
• 空间复杂度：O(n1*n2)。用到了二维数组来保存状态。