最长公共子序列与动态规划

package com.hhmstu.Algorithmdesignandanalysis.Dynamicprogramming;

public class LCS {
    public static void main(String[] args) {
        int a = 5;
        int b = 6;
        char[] X = {'g', 'a', 'b', 'c', 'd', 'e', 'f'};//‘g’用于占位
        char[] Y = {'g', 'b', 'd', 'f', 'b', 'a'};
        int[][] m = new int[6][7];
        int max = lcs(a, b, X, Y, m);
        System.out.println("其最长公共子序列的LCS为:" + max);
        for (int i = 0; i < 6; i++) {
            for (int j = 0; j < 7; j++) {
                System.out.print(m[i][j]+"\t");
                if ((j+1)%7==0){
                    System.out.println();
                }
            }
        }
    }

    public static int lcs(int a, int b, char[] X, char[] Y, int[][] m) {
        //初始化记忆化表
        for (int i = 0; i < a + 1; i++) {
            m[i][0] = 0;
        }
        for (int i = 0; i < b + 1; i++) {
            m[0][i] = 0;
        }
        //根据递推公式一行一行向下填表
        for (int i = 1; i < a + 1; i++) {
            for (int j = 1; j < b + 1; j++) {
                if (Y[i] == X[j]) {
                    m[i][j] = m[i-1][j-1] +1;
                } else {
                    m[i][j] = Math.max(m[i-1][j],m[i][j-1]);
                }
            }
        }
        return m[a][b];
    }
}
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
最长公共子序列(Longest Common Subsequence, 简称LCS)问题是一个经典的动态规划问题。LCS问题的目标是找到两个序列中最长的公共子序列的长度。 首先,我们需要理解LCS的定义。根据引用,两个序列的LCS包含了这两个序列的前缀的最长公共子序列。换句话说,我们可以通过比较两个序列的最后一个元素是否相等来确定LCS。如果最后一个元素相等,则LCS的长度会增加1;如果最后一个元素不相等,则我们需要考虑将某个序列的最后一个元素舍弃,然后求解剩余序列的LCS。因此,LCS问题具有最优子结构性质。 根据引用,需要注意最长公共子串(Longest Common Substring)和最长公共子序列(LCS)的区别。最长公共子串是一个连续的部分,而最长公共子序列则是从不改变序列的顺序,而从序列中去掉任意的元素而获得新的序列。简单来说,子串中字符的位置必须是连续的,而子序列则可以不必连续。 接下来,我们可以通过动态规划方法解决LCS问题。动态规划是一种将问题分解为子问题并存储子问题解的方法。我们可以使用一个二维数组来存储子问题解,其中数组元素dp[i][j]表示序列1的前i个元素和序列2的前j个元素的LCS的长度。 具体的动态规划算法如下: 1. 初始化一个二维数组dp,其中dp[i][j]的初始值为0。 2. 从左到右遍历序列1的每个元素,同时从上到下遍历序列2的每个元素。 3. 如果序列1的第i个元素与序列2的第j个元素相等,则dp[i][j]的值等于dp[i-1][j-1]加1。 4. 如果序列1的第i个元素与序列2的第j个元素不相等,则dp[i][j]的值等于dp[i-1][j]和dp[i][j-1]中的较大值。 5. 最终,dp[m][n]即为序列1和序列2的LCS的长度,其中m和n分别为序列1和序列2的长度。 通过上述动态规划算法,我们可以求解最长公共子序列的长度。如果需要求解具体的最长公共子序列,我们可以根据dp数组的构建过程进行回溯。 综上所述,使用动态规划方法可以解决最长公共子序列问题。动态规划算法的核心思想是将问题分解为子问题并存储子问题解,通过填充dp数组可以求解最长公共子序列的长度。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值