DP | 51 编辑距离总结篇*

本文记录的是刷题过程中的重要概念和笔记。如有侵权，请联系删除。

动态规划之终极绝杀：编辑距离。
在前三篇动态规划的文章就一直为 编辑距离 这道题目做铺垫。

入门：判断 s 是否为 t 的子序列

给定字符串 s 和 t ，判断 s -i是否为 t -j的子序列。
if (s[i - 1] == t[j - 1])：t中找到了一个字符在s中也出现了
if (s[i - 1] != t[j - 1])：相当于t要删除元素，继续匹配
s是不变的，也就是删除只能在t上面删除，所以-1也只能在t上。

if (s[i - 1] == t[j - 1]) dp[i][j] = dp[i - 1][j - 1] + 1;
else dp[i][j] = dp[i][j - 1];

所以才有基于s的空间改进方式：

class Solution {
public:
    bool isSubsequence(string s, string t) {
        vector<int> dp(s.size() + 1,  0);
        for (int i = 1; i <= t.size(); i++) {
            for (int j = s.size(); j>0; j--) {
                if (t[i - 1] == s[j - 1]) dp[j] = dp[j - 1] + 1;
            }
        }
        if (dp.back() == s.size()) return true;
        return false;
    }
};

不相等时删除t，也就是留取前一个值。

t 在 s 的子序列中出现的个数

s[i - 1] 与 t[j - 1]相等时
一部分是用s[i - 1]来匹配，那么个数为dp[i - 1][j - 1]。
一部分是不用s[i - 1]来匹配，个数为dp[i - 1][j]。

不相等时则删除s当前元素

for(int i=1;i<=s.size();i++){
   for(int j=1;j<=t.size();j++){
          if(s[i-1]==t[j-1]) dp[i][j]=dp[i-1][j-1]+dp[i-1][j];
          else dp[i][j]=dp[i-1][j];
      }
  }

删除两个词的字符

找到使得 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。

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] + 2, dp[i - 1][j] + 1, dp[i][j - 1] + 1});
}

不同的时候，选择删除1和删除2中步数更小的

• dp[i - 1][j - 1] + 2包含在dp[i - 1][j] + 1, dp[i][j - 1] + 1可以不写。

编辑距离：将 word1 转换成 word2 的最少操作数 *

计算出将 word1 转换成 word2 所使用的最少操作数 。
增：
删
换

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 - 1][j], dp[i][j - 1]}) + 1;
}