文章目录
Day 56
01. 最长递增子序列(No. 300)
<1> 题目
给你一个整数数组 nums
,找到其中最长严格递增子序列的长度。
子序列 是由数组派生而来的序列,删除(或不删除)数组中的元素而不改变其余元素的顺序。例如,[3,6,2,7]
是数组 [0,3,1,6,2,2,7]
的子序列。
示例 1:
输入:nums = [10,9,2,5,3,7,101,18]
输出:4
解释:最长递增子序列是 [2,3,7,101],因此长度为 4 。
示例 2:
输入:nums = [0,1,0,3,2,3]
输出:4
示例 3:
输入:nums = [7,7,7,7,7,7,7]
输出:1
提示:
1 <= nums.length <= 2500
-104 <= nums[i] <= 104
<2> 笔记
1. 状态
本题最难的是考虑出 哪个状态可以转移?
最容易想出来的肯定是:对于一个元素有 取或者不取 两种状态,就将状态设定为 考虑第 i
个元素的取或者不取,能得到的最优状态。
对于不取的状态,它的最优解就是从 0
到 i - 1
,的两种状态的最优解。
对于取的状态,一定是基于 nums[j] < num[i] (j < i)
的情况下推导出来的,在这个基础上加一,因为对于从 0
到 i
如果选择取得 nums[i]
的话,那 nums[i]
一定是此时子序列的 最后一个元素。
语言不好理解的话可以看后面的递推方程部分。
这部分是对上面方法的优化:
通过上面的方法可以发现,
dp[i][1]
的推导,其实和dp[i][0]
是没有关系的。它的推导是通过 以一个比num[i]
小的数字作为结尾的子序列加上一得出的。那其实就可以想出另一个可以转移的状态:以
nums[i]
作为结尾的最长子序列的长度。
2. dp 数组的定义
对于取或者不取两种状态,则定义为一个二维数组 dp[i][2]
,i
表示第 i 个元素的状态,列表示它的每个状态,即 dp[i][0]
为不取这个元素的最优解,dp[i][1]
为取这个元素的最优解。
优化后可以采用一维数组的方式来存储数据,
dp[i]
表示以nums[i]
结尾的子序列的最大长度。
3. 递推公式
如果 不取 这个节点的话,那就是前面 某个 节点的最优解:
for (int j = 0; j < i; j++) {
dp[i][0] = Math.max(dp[i][0], dp[j][0]);
dp[i][0] = Math.max(dp[i][0], dp[j][1]);
}
如果要取得这个节点的话,那只能在 最终取得的节点比该节点的值小的情况下取得,写出递推公式就是这样:
for (int j = 0; j < i; j++) {
if (nums[i] > nums[j]) {
// dp[i][1] 初始化为 1
dp[i][1] = Math.max(dp[i][1], dp[j][1] + 1);
}
}
优化后其实就只需要用第二个递推公式即可,遍历思路和上面的相同,仍然每次从头开始寻找:
if (nums[i] > nums[j]) dp[i] = Math.max(dp[i], dp[j] + 1);
但是此时 收集数据的位置 改变了,因为此时
dp[i]
的定义变成了以nums[i]
为结尾的序列的长度,所以任意一个数组中的值都有可能是最终的结果,所以每次得到一个新的dp[i]
都要进行一次收集结果。
4. 初始化
本题的初始化和之前有所不同,注意这个递推公式:dp[i][1] = Math.max(dp[i][1], dp[j][1] + 1);
如果简单的将这个值初始化为 0,那如果前面没有比 num[i]
小的值,那这个值就会 保持 0,而通过题意可以直到,这个值应该为 1
。
所以所有的 dp[i][1]
都应该初始化为 1
。
初始化的思路和上面相同
<3> 代码
class Solution {
public int lengthOfLIS(int[] nums) {
int[][] dp = new int[nums.length][2];
for (int i = 0; i < dp.length; i++) {
// 初始化
dp[i][1] = 1;
}
for (int i = 1; i < nums.length; i++) {
// 遍历数组
for (int j = 0; j < i; j++) {
// 从头开始寻找比其小的值
dp[i][0] = Math.max(dp[i][0], dp[j][0]);
dp[i][0] = Math.max(dp[i][0], dp[j][1]);
if (nums[i] > nums[j]) {
dp[i][1] = Math.max(dp[i][1], dp[j][1] + 1);
}
}
System.out.println(dp[i][0] + " " + dp[i][1]);
}
// 取最大值
return Math.max(dp[nums.length - 1][0], dp[nums.length - 1][1]);
}
}
优化
class Solution {
public int lengthOfLIS(int[] nums) {
int[] dp = new int[nums.length];
for (int i = 0 ; i < dp.length; i++) {
dp[i] = 1;
}
int res = 1;
for (int i = 1; i < nums.length; i++) {
for (int j = 0; j < i; j++) {
if (nums[i] > nums[j]) dp[i] = Math.max(dp[i], dp[j] + 1);
}
res = Math.max(dp[i], res);
}
return res;
}
}
02. 最长连续递增序列(No. 674)
<1> 题目
给定一个未经排序的整数数组,找到最长且 连续递增的子序列,并返回该序列的长度。
连续递增的子序列 可以由两个下标 l
和 r
(l < r
)确定,如果对于每个 l <= i < r
,都有 nums[i] < nums[i + 1]
,那么子序列 [nums[l], nums[l + 1], ..., nums[r - 1], nums[r]]
就是连续递增子序列。
示例 1:
输入:nums = [1,3,5,4,7]
输出:3
解释:最长连续递增序列是 [1,3,5], 长度为3。
尽管 [1,3,5,7] 也是升序的子序列, 但它不是连续的,因为 5 和 7 在原数组里被 4 隔开。
示例 2:
输入:nums = [2,2,2,2,2]
输出:1
解释:最长连续递增序列是 [2], 长度为1。
提示:
1 <= nums.length <= 104
-109 <= nums[i] <= 109
<2> 笔记
1. 贪心思路
本题的贪心思路还是比较容易想出来的,对于每一个元素无非就两种情况
- 我比前面的大,结果中继续加上我
- 我比前面的小,子序列从我开始计数
每次将得到的 count
利用全局变量 res
记录下来,得到最大的那个直接返回即可,因为思路和方法都比较简单,这里直接给出代码
public static int findLengthOfLCIS(int[] nums) {
if (nums.length <= 1) return nums.length;
int res = 1; // 连续子序列最少也是 1
int count = 1;
for (int i = 1; i < count + nums.length - res; i++) {
if (nums[i] > nums[i - 1]) { // 连续记录
count++;
} else { // 不连续,count从头开始
count = 1;
}
res = Math.max(res, count);
}
return res;
}
2. 动态规划思路
其实本题用动态规划去处理意义并不是很大,和贪心几乎就是相同的思路。
(1) 状态
首先考虑一下本题的状态是什么呢?和上题比较类似,是以 nums[i]
结尾的最长连续子序列的个数。
(2) dp 数组的定义
直接一维数组存储内容即可,dp[i]
表示以 nums[i]
结尾的最长子序列的个数。
(3) 状态转移方程
同样由两种方式,继续以前面的序列和从这个序列开始计算新的子序列
if (nums[i] > nums[i - 1]) dp[i] = dp[i - 1] + 1;
else dp[i] = 1;
同样也是需要在每次取最大的那个作为结果,因为以哪个元素作为结尾的子序列都有可能是最终结果
res = Math.max(res, count);
<3> 代码
贪心算法
public static int findLengthOfLCIS(int[] nums) {
if (nums.length <= 1) return nums.length;
int res = 1; // 连续子序列最少也是 1
int count = 1;
for (int i = 1; i < count + nums.length - res; i++) {
if (nums[i] > nums[i - 1]) { // 连续记录
count++;
} else { // 不连续,count从头开始
count = 1;
}
res = Math.max(res, count);
}
return res;
}
动态规划
class Solution {
public int findLengthOfLCIS(int[] nums) {
int[] dp = new int[nums.length];
dp[0] = 1;
int res = 1;
for (int i = 1; i < nums.length; i++) {
if (nums[i] > nums[i - 1]) dp[i] = dp[i - 1] + 1;
else dp[i] = 1;
res = Math.max(res, dp[i]);
}
return res;
}
}
03. 最长重复子数组(No. 718)
<1> 题目
给两个整数数组 nums1
和 nums2
,返回 两个数组中 公共的 、长度最长的子数组的长度 。
示例 1:
输入:nums1 = [1,2,3,2,1], nums2 = [3,2,1,4,7]
输出:3
解释:长度最长的公共子数组是 [3,2,1] 。
示例 2:
输入:nums1 = [0,0,0,0,0], nums2 = [0,0,0,0,0]
输出:
提示:
1 <= nums1.length, nums2.length <= 1000
0 <= nums1[i], nums2[i] <= 100
<2> 笔记
1. 滑动对齐解法
观察题目中的第一个案例,想象有两个数组,它们相互相对滑动:
在滑动的过程中必然会出现 重叠的部分:
而这个重叠的部分就是题目中提到的 公共子数组。
两者相互滑动,直到两者没有重叠部分的时候,其实就遍历完了所有公共子数组的情况,在其中最优解是如下的部分:
所以本题的思路就是先固定一个数组,然后滑动另一个数组,比如说先固定 nums1 对重叠的部分计算公共的个数:
比如这个就是在 1 2 3
和 1 4 7
中寻找重叠的部分,得到的重复子数组的长度就是 1
。
然后再固定另一个数组,滑动上次固定的那个数组,重复执行上述的操作
为什么要加这一步呢?
固定数组一滑动数组二是是遍历了这一部分
还有向左的一部分没有遍历完:
所以需要固定数组 1 来再次遍历。
现在来看一下具体的实现,先写一个固定 nums1,滑动 nums2 的函数
public int getRes(int[] nums1, int[] nums2) {
int res = 0;
int temp = 0;
for (int i = 0; i < nums1.length; i++) {
int k = i; // nums1 的下标
for (int j = 0; j < nums1.length - i && j < nums2.length; j++) {
// 遍历 nums2 从 0 到 nums1.length - i 的部分
if (nums1[k++] == nums2[j]) {
temp++;
res = Math.max(temp, res);
} else {
res = Math.max(temp, res);
temp = 0;
}
}
temp = 0;
}
return res;
}
来看一个具体的案例,比如本次遍历中,k 将从 2 遍历到 4,而 j 将从 0 变为 2。
将这个案例带入到上面的代码会比较好理解。
然后再固定 nums2 滑动 nums1 就可以得到结果。
int res1 = getRes(nums1, nums2);
int res2 = getRes(nums2, nums1);
return Math.max(res1, res2);
<3> 代码
class Solution {
public int findLength(int[] nums1, int[] nums2) {
int res1 = getRes(nums1, nums2);
int res2 = getRes(nums2, nums1);
return Math.max(res1, res2);
}
public int getRes(int[] nums1, int[] nums2) {
int res = 0;
int temp = 0;
for (int i = 0; i < nums1.length; i++) {
int k = i;
for (int j = 0; j < nums1.length - i && j < nums2.length; j++) {
if (nums1[k++] == nums2[j]) {
temp++;
res = Math.max(temp, res);
} else {
res = Math.max(temp, res);
temp = 0;
}
}
temp = 0;
}
return res;
}
}