概念
具有线性阶段划分的动态规划算法叫作线性动态规划(简称线性DP)。若状态包含多个维度,则每个维度都是线性划分的阶段,也属于线性DP,如下图所示:
题目实践
三角形最小路径和
状态转移方程:
d
p
i
,
j
=
m
a
x
(
d
p
i
−
1
,
j
,
d
p
i
−
1
,
j
−
1
)
+
a
i
,
j
dp_{i,j}=max(dp_{i -1,j}, dp_{i -1,j -1})+a_{i,j}
dpi,j=max(dpi−1,j,dpi−1,j−1)+ai,j
边界条件:
最左边的部分和最右边的边界只会从是上一行的一个位置转移过来,只有 1 1 1 种转移方法,因此一直沿着最左边往下走和一直沿着最右边往下走的路径就是数组元素之和,先处理这两个边界
class Solution {
public int minimumTotal(List<List<Integer>> triangle) {
int n=triangle.size();
int[][] dp=new int[n][n];
dp[0][0]=triangle.get(0).get(0);
for(int i=1;i<n;i++){
dp[i][0]=dp[i-1][0]+triangle.get(i).get(0);//初始化左边界-第一列
dp[i][i]=dp[i-1][i-1]+triangle.get(i).get(i);//初始化右边界-最后一列
}
for(int i=1;i<n;i++){
for(int j=1;j<i;j++){
dp[i][j]=Math.min(dp[i-1][j],dp[i-1][j-1])+triangle.get(i).get(j);
}
}
int ans=Integer.MAX_VALUE;
for(int j=0;j<n;j++){//遍历最后1行 找出最大值
ans=Math.min(ans,dp[n-1][j]);
}
return ans;
}
}
//O(n^2)
//O(n^2)
空间优化:
根据状态转移方程 d p i , j = m a x ( d p i − 1 , j , d p i − 1 , j − 1 ) + a i , j dp_{i,j}=max(dp_{i -1,j}, dp_{i -1,j -1})+a_{i,j} dpi,j=max(dpi−1,j,dpi−1,j−1)+ai,j,求当前位置的最优解时,只需 d p i − 1 , j dp_{i -1,j} dpi−1,j(上一行同列)和 d p i − 1 , j − 1 dp_{i -1,j -1} dpi−1,j−1(上一行前一列),所以将状态优化为一维数组,从后往前倒推即可
状态表示: d p j dp_j dpj 表示从左上角走到第 j j j 列时经过的数字的最大和
状态转移方程: d p j = m a x ( d p j , d p j − 1 ) + a i , j dp_j=max(dp_j, dp_{j -1})+a_{i,j} dpj=max(dpj,dpj−1)+ai,j
需要倒退的原因:
根据状态转移方程可以看出, d p j dp_j dpj 取决于上一行的 d p j dp_j dpj 和 d p j − 1 dp_{j-1} dpj−1,如果从前往后处理,会导致 d p j − 1 dp_{j-1} dpj−1 提前被更新,这样当前行依赖的 d p j − 1 dp_{j-1} dpj−1 不是来自上一行,而是来自本行的更新
class Solution {
public int minimumTotal(List<List<Integer>> triangle) {
int n=triangle.size();
int[] dp=new int[n];
dp[0]=triangle.get(0).get(0);
for(int i=1;i<n;i++){
dp[i]=dp[i-1]+triangle.get(i).get(i);
for(int j=i-1;j>0;j--){
dp[j]=Math.min(dp[j-1],dp[j])+triangle.get(i).get(j);
}
dp[0]=dp[0]+triangle.get(i).get(0);
}
int ans=Integer.MAX_VALUE;
for(int i=0;i<n;i++){
ans=Math.min(ans,dp[i]);
}
return ans;
}
}
最长递增子序列
思路:
创建一个 d p dp dp 数组
状态表示: d p i dp_i dpi 表示以 a i a_i ai 结尾的最长上升子序列长度
状态转移:对于 0 ≤ j ≤ i 0 \le j \le i 0≤j≤i ,若 a j < a i a_j < a_i aj<ai,则可以将 a i a_i ai 放在以 a j a_j aj 结尾的最长上升序列后面,得到的长度为 d p j + 1 dp_j+1 dpj+1
状态转移方程: d p i = m a x ( d p i , d p j + 1 ) dp_i=max(dp_i, dp_j+1) dpi=max(dpi,dpj+1)
class Solution {
public int lengthOfLIS(int[] nums) {
int n=nums.length;
int[] dp=new int[n];
int ans=0;
for(int i=0;i<n;i++){
dp[i]=1;//单个字符是长度为1的严格递增子序列
for(int j=0;j<i;j++){
if(nums[i]>nums[j]){
dp[i]=Math.max(dp[i],dp[j]+1);
}
}
ans=Math.max(ans,dp[i]);
}
return ans;
}
}
//O(n^2)
//O(n)
算法优化:
class Solution {
public int lengthOfLIS(int[] nums) {
int n=nums.length;
//tails[k]的值代表 长度为k+1的子序列尾部元素的值
//在遍历计算每个tails[k],不断更新长度为 [1,k]的子序列尾部元素值,始终保持每个尾部元素值最小 (例如 [1,5,3], 遍历到元素5 时,长度为 2的子序列尾部元素值为 5;当遍历到元素 3时,尾部元素值应更新至 3,因为 3 遇到比它大的数字的几率更大
int[] tail=new int[n];
int maxLen=1;
tail[0]=nums[0];
for(int i=1;i<n;i++){
int num=nums[i];
int left=0,right=maxLen-1;
boolean flag=true;
while(left<=right){
int mid=left+(right-left)/2;
if(num>tail[mid]){
left=mid+1;
}else if(num<tail[mid]){
flag=false;
right=mid-1;
}else if(num==tail[mid]){
flag=false;
right=mid-1;
}
}
//left表示小于num的元素个数
tail[left]=num;//长度为left的递增子序列更新为以num结尾
//flag为true说明nums[i]大于区间[0:maxLen-1]所有的tail[i]
//此时可以将nums[i]接在tail[maxLen-1]后面 上升子序列长度+1
//flag为false则将nums[i]插入到tail中的合适的位置j 使得tail[0...j-1]<nums[i]<=tail[j+1...]
//因此tail数组是单调的
if(flag){
maxLen++;
}
}
return maxLen;
}
}
//O(nlogn)
//O(n)
最长公共子序列
思路:
状态表示: d p i , j dp_{i, j} dpi,j 表示 x 0.. i − 1 x_{0..i-1} x0..i−1 和 y 0.. j − 1 y_{0..j-1} y0..j−1 的最长公共子序列长度
状态转移:对两个序列中的字符 x i x_i xi 和 y j y_j yj,可以分成以下两种情况:
x
i
=
y
j
x_i=y_j
xi=yj:求解
x
i
−
1
x_i-1
xi−1 和
y
j
−
1
y_j-1
yj−1 的最长公共子序列长度加
1
1
1,
d
p
i
,
j
=
d
p
i
−
1
,
j
−
1
+
1
dp_{i,j}=dp_{i -1,j -1}+1
dpi,j=dpi−1,j−1+1
x
i
≠
y
j
x_i \ne y_j
xi=yj :可以把
x
i
x_i
xi 去掉,求解
x
i
−
1
x_i-1
xi−1 和
y
j
y_j
yj 的最长公共子序列长度,或者把
y
j
y_j
yj 去掉,求解
x
i
x_i
xi 和
y
j
−
1
y_j-1
yj−1 的最长公共子序列长度,取二者的最大值,
d
p
i
,
j
=
m
a
x
(
d
p
i
,
j
−
1
,
d
p
i
−
1
,
j
)
dp_{i,j}=max(dp_{i,j-1},dp_{i-1,j})
dpi,j=max(dpi,j−1,dpi−1,j)
边界条件:
d
p
i
,
0
=
0
dp_{i,0}=0
dpi,0=0,
d
p
0
,
j
=
0
dp_{0,j}=0
dp0,j=0
求解目标:
d
p
n
−
1
,
m
−
1
dp_{n-1,m-1}
dpn−1,m−1,
n
n
n、
m
m
m 分别为两个字符串的长度
class Solution {
public int longestCommonSubsequence(String text1, String text2) {
int m=text1.length(),n=text2.length();
int[][] dp=new int[m+1][n+1];
//dp[i][j]表示text1[0:i-1] text1[0:j-1] 的LCS长度
//当i=0时 dp[0][j]=0 表示当text1为空串时 LCS长度为0
//当j=0时 dp[i][0]=0 表示当text2为空串时 LCS长度为0
for(int i=1;i<=m;i++){
for(int j=1;j<=n;j++){
if(text1.charAt(i-1)==text2.charAt(j-1)){
dp[i][j]=dp[i-1][j-1]+1;
}else if(dp[i-1][j]>dp[i][j-1]){
dp[i][j]=dp[i-1][j];
}else{
dp[i][j]=dp[i][j-1];
}
}
}
return dp[m][n];
}
}
//O(mn)
//O(mn)
连续子数组的最大和
状态表示: d p i dp_i dpi 表示以 a i a_i ai 结尾的最大和。注意:这个最大和不是 [ 0 … i ] [0…i] [0…i] 区间的最大连续子段和,若求解 [ 0 … n − 1 ] [0…n-1] [0…n−1] 区间的最大连续子段和,则需要从所有 d p [ ] dp[] dp[] 中求最大值。例如 { − 2 , 1 , 2 , 3 , − 2 } \{ -2, 1, 2, 3,-2 \} {−2,1,2,3,−2}, d p 0 = − 2 dp_0=-2 dp0=−2, d p 1 = 1 dp_1=1 dp1=1, d p 2 = 2 dp_2=2 dp2=2, d p 3 = 6 dp_3=6 dp3=6, d p 4 = 4 dp_4=4 dp4=4,最大连续子段和为 6 6 6
状态转移:若 d p i − 1 dp_{i-1} dpi−1 大于或等于 0 0 0,则 d p i − 1 dp_{i-1} dpi−1 累加 a i a_i ai 即可;否则 d p i = a i dp_i=a_i dpi=ai; 这是因为 d p i − 1 dp_{i -1} dpi−1 是负值时,对求解最大连续子段和没有意义
class Solution {
public int maxSubArray(int[] nums) {
int n=nums.length;
int[] dp=new int[n];
int ans=nums[0];
dp[0]=nums[0];
for(int i=1;i<n;i++){
dp[i]=Math.max(nums[i],dp[i-1]+nums[i]);
ans=Math.max(ans,dp[i]);
}
return ans;
}
}
//O(n)
//O(n)