Leetcode| 647. 回文子串、516. 最长回文子序列 Day57

最新推荐文章于 2024-10-16 10:13:45 发布

把瓶子洗干净

最新推荐文章于 2024-10-16 10:13:45 发布

阅读量614

点赞数

分类专栏：算法文章标签： leetcode 动态规划算法

本文链接：https://blog.csdn.net/wh1234546/article/details/128664717

版权

算法专栏收录该内容

54 篇文章 0 订阅

订阅专栏

文章介绍了如何使用动态规划方法解决两个Python编程题目：647.PalindromicSubstrings和516.LongestPalindromicSubsequence。通过建立二维数组dp来判断子串是否为回文，以及求最长回文子序列的长度。在处理过程中，重点在于处理边界条件和递推关系，确保dp[i][j]的值在计算之前已经确定。

摘要由CSDN通过智能技术生成

647. Palindromic Substrings

dp[i][j]：表示区间范围[i,j] （注意是左闭右闭）的子串是否是回文子串，如果是dp[i][j]为true，否则为false

当s[i]与s[j]不相等，那没啥好说的了，dp[i][j]一定是false。

当s[i]与s[j]相等时，这就复杂一些了，有如下三种情况

情况一：下标i 与 j相同，同一个字符例如a，当然是回文子串
情况二：下标i 与 j相差为1，例如aa，也是回文子串
情况三：下标：i 与 j相差大于1的时候，例如cabac，此时s[i]与s[j]已经相同了，我们看i到j区间是不是回文子串就看aba是不是回文就可以了，那么aba的区间就是 i+1 与 j-1区间，这个区间是不是回文就看dp[i + 1][j - 1]是否为true。

dp[i + 1][j - 1] 在 dp[i][j]的左下角，所以一定要从下到上，从左到右遍历，这样保证dp[i + 1][j - 1]都是经过计算的。

class Solution:
    def countSubstrings(self, s: str) -> int:
        # 区间范围[i,j]（左闭右闭）的子串是否是回文子串
        dp = [[False] * len(s) for _ in range(len(s))]
        res = 0
        for i in range(len(s) - 1, -1, -1):
            for j in range(i, len(s)):
                if s[i] == s[j]:
                    if j - i <= 1:      # 下标 i 与 j 相差 <= 1
                        dp[i][j] = True
                        res += 1
                    else:
                        if dp[i + 1][j - 1] ==  True:
                            dp[i][j] = True
                            res += 1
        return res

516. Longest Palindromic Subsequence

dp[i][j]：字符串s在[i, j]范围内最长的回文子序列的长度为dp[i][j]。

如果s[i]与s[j]相同，那么dp[i][j] = dp[i + 1][j - 1] + 2;
如果s[i]与s[j]不相同，说明s[i]和s[j]的同时加入并不能增加[i,j]区间回文子序列的长度，那么分别加入s[i]、s[j]看看哪一个可以组成最长的回文子序列；

dp[i][j] = dp[i + 1][j - 1] + 2; 可以看出递推公式是计算不到 i 和j相同时候的情况，所以需要手动初始化 i == j 的情况。

class Solution:
    def longestPalindromeSubseq(self, s: str) -> int:
        dp = [[0] * len(s) for _ in range(len(s))]
        for i in range(len(s)):
            dp[i][i] = 1 

        for i in range(len(s) - 1, -1, -1):
            for j in range(i + 1, len(s)):
                if s[i] == s[j]:
                    dp[i][j] = dp[i + 1][j - 1] + 2
                else:
                    dp[i][j] = max(dp[i + 1][j], dp[i][j - 1])

        return max(map(max, dp))