『LeetCode|每日一题』----＞最长公共子序列

XiaoXiaoChen-2716

于 2022-08-18 21:17:10 发布

阅读量367

点赞数

分类专栏： LeetCode专栏文章标签： leetcode java 算法动态规划

本文链接：https://blog.csdn.net/weixin_51065489/article/details/126413522

版权

LeetCode专栏专栏收录该内容

48 篇文章 0 订阅

订阅专栏

每日一句

作者简介

『LeetCode|每日一题』最长公共子序列

3.第二种解法（递归）----此题中会超时

3.1 全部代码

3.2 解析

3.3 运行结果

每日一句

给予和就受都是一份馈赠，既需要谦逊，也需要勇气

作者简介

🏡个人主页：XiaoChen_Android

📚学习专栏：力扣专栏

🕒发布日期：2022/8/18

在这里插入图片描述

『LeetCode|每日一题』最长公共子序列

1.每日一题

原文链接---快看看

2.解题思路

2.1 思路分析

此题是二维动态规划中的一道经典例题，定义一个二维数组dp[i][j]，用来存两个字符串text1(0,i)和text2(0,j)中的最长公共子序列

S1：dp数组的长度可以扩大一位，左边界和上边界的值都为0；（当i = 0时，该字符串为空，所以值为0，这一步就是处理了动态规划的边界情况，读者可以仔细想想为何这么处理）

S2：当i > 0 ，j > 0时，开始填充dp数组，分为两种情况：（由于考虑的dp[i][j]的值，它减少一位字符则由字符串的前一位决定）

当text1.charAt(i - 1) == text2.charAt(j - 1)时，再增加一位字符就得到了dp[i][j]，dp[i][j] = dp[i - 1][j - 1] + 1；
当text1.charAt(i - 1) != text2.charAt(j - 1)时，考虑两种情况：
text1范围在(0,i)和text2范围在(0.j -1)的最长公共子序列
text1范围在(0,i - 1)和text2范围在(0.j)的最长公共子序列
要使得dp[i][j]最大，则应该取dp[i][j - 1]和dp[i - 1][j]中的最大值

S3：最终计算得到的dp[text1.length()][text2.length()]就是最长公共子序列的长度

2.2 核心代码（dp）

        for(int i = 1 ; i <= l1 ; i ++){
            for(int j = 1 ; j <= l2 ; j ++){
                if(t1[i - 1] == t2[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]);
                }
            }
        }

2.3 全部代码

class Solution {
    public int longestCommonSubsequence(String text1, String text2) {
        int l1 = text1.length();
        int l2 = text2.length();
        char[] t1 = new char[l1];
        char[] t2 = new char[l2];
        int[][] dp = new int[l1 + 1][l2 + 1];
        for(int i = 0 ; i < l1 ; i ++){
            t1[i] = text1.charAt(i);
        }
        for(int i = 0 ; i < l2 ; i ++){
            t2[i] = text2.charAt(i);
        }
        
        for(int i = 1 ; i <= l1 ; i ++){
            for(int j = 1 ; j <= l2 ; j ++){
                if(t1[i - 1] == t2[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];
    }
    
}

2.4 运行结果

3.第二种解法（递归）----此题中会超时

3.1 全部代码

class Solution {
    public int longestCommonSubsequence(String text1, String text2) {
        int l1 = text1.length();
        int l2 = text2.length();
        char[] t1 = new char[l1];
        char[] t2 = new char[l2];
        
        for(int i = 0 ; i < l1 ; i ++){
            t1[i] = text1.charAt(i);
        }
        for(int i = 0 ; i < l2 ; i ++){
            t2[i] = text2.charAt(i);
        }
        int ans = dp(t1 , t2 , l1 , l2);
        return ans;
    }
    private static int dp(char[] t1 , char[] t2 , int l1 , int l2){
        int[][] cc = new int[l1 + 1][l2 + 1];
        if(l1 == 0 || l2 == 0){
            return 0;
        }else if(t1[l1 - 1] == t2[l2 - 1]){
            cc[l1][l2] = dp(t1 , t2 , l1 - 1 , l2 - 1) + 1;
        }else {
            cc[l1][l2] = Math.max(dp(t1 , t2 , l1 - 1 , l2) , dp(t1 , t2 , l1 , l2 - 1));
        }
        return cc[l1][l2];

    }
}