子序列题解问题
子序列(不连续)
300. 最长递增子序列
/**
* 思路: 动态规划
* 1. 确定dp数组以及下标含义
* dp[i]: 表示包含下标i在内的最长递增子序列
* 2. 确定递推公式
* 位置i的最长上升子序列等于j从0到i-1各个位置的最长上升子序列+1的最大值
* if(nums[i] > nums[j])
* dp[i] = Math.max(dp[i], dp[j]+1)
* 3. 初始化
* 每一个dp[i]至少都是1
* 4. 确定遍历顺序
* i是从前往后遍历
* j是从0开始到i-1遍历
* 5. 举例推导dp数组
* [0, 1, 0, 3, 2]
* i=1 1 2 1 1 1
* i=2 1 2 1 1 1
* i=3 1 2 1 3 1
* i=4 1 2 1 3 3
*
* 时间: O(n^2)
* 空间: O(n)
*/
public int lengthOfLIS(int[] nums) {
int[] dp = new int[nums.length];
Arrays.fill(dp, 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);
}
// 取长的子序列
res = Math.max(res, dp[i]);
}
return res;
}
/**
* 思路: 贪心
*
* 二分插入法
*
* 1. 对原序列进行遍历,将每位元素二分插入dp数组中
* - 如果dp数组中元素都比它小,将它插到最后
* - 否则,用它覆盖掉比它大的元素中最小的那个
*
* 2. dp数组未必是真实的最长上升子序列,但长度是对的
*
* 时间: O(nlogn)
* 空间: O(n)
*/
public int lengthOfLIS(int[] nums) {
// dp数组是递增的
int[] dp = new int[nums.length];
dp[0] = nums[0];
// dp数组最后一个元素的下标,即dp中最大元素的下标
int end = 0;
for (int i = 1; i < nums.length; i++) {
int num = nums[i];
// 当前元素大于dp数组最后一个元素,则直接插入到后面
if(num > dp[end]) {
dp[++end] = num;
continue;
}
// 二分找到比num元素大的元素中最小的那个
int left = 0;
int right = end;
while(left < right) {
int mid = left + (right - left) / 2;
if(dp[mid] < num) {
left = mid + 1;
} else {
// 注意这里的right = mid
right = mid;
}
}
dp[left] = num;
}
return end+1;
}
1143. 最长公共子序列
/**
* 思路: 动态规划
*
* 1. 确定dp数组以及下标含义
* dp[i][j]表示s1包含下标i在内的子串和s2包含下标j在内的子串的最长公共子序列
* 2. 确定递推公式
* if(s1[i] == s2[j]) {
* dp[i][j] = dp[i-1][j-1] + 1
* } else {
* dp[i][j] = Math.max(dp[i-1][j], dp[i][j-1])
* }
*
* 3. 初始化
* i=0时, dp[0][j] = 0
* j=0时, dp[i][0] = 0
* 4. 遍历顺序
* 外层遍历s1,内层遍历s2
*
* 时间: O(n * m)
* 空间: O(n * m)
*/
/*public int longestCommonSubsequence(String text1, String text2) {
int m = text1.length();
int n = text2.length();
int[][] dp = new int[m+1][n+1];
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 {
dp[i][j] = Math.max(dp[i-1][j], dp[i][j-1]);
}
}
}
return dp[m][n];
}*/
// 动态规划 + 空间优化
// 时间: O(n * m)
// 空间: O(n)
public int longestCommonSubsequence(String text1, String text2) {
int m = text1.length();
int n = text2.length();
int[] dp = new int[n+1];
int leftUp = 0;
for (int i = 1; i <= m; i++) {
for (int j = 1; j <= n; j++) {
int temp = dp[j];
if(text1.charAt(i-1) == text2.charAt(j-1)) {
dp[j] = leftUp + 1;
} else {
dp[j] = Math.max(dp[j], dp[j-1]);
}
leftUp = temp;
}
leftUp = 0;
}
return dp[n];
}
1035. 不相交的线
/**
* 思路: 动态规划
* 1. 确定dp数组以及下标含义
* dp[i][j]表示s1中包含下标i在内的元素和s2中包含下标j在内的元素的最多相同元素
* 2. 确定递推公式
* if(nums[i] == nums[j]) {
* dp[i][j] = dp[i-1][j-1] + 1
* } else {
* dp[i][j] = Math.max(dp[i-1][j], dp[i][j-1])
* }
* 3. 初始化
* i=0时,dp[0][j] = 0
* j=0时,dp[i][0] = 0
* 4. 遍历顺序
* 外层先遍历nums1,内层遍历nums2
*
* 时间: O(n*m)
* 空间: O(n*m)
*
*/
/*public int maxUncrossedLines(int[] nums1, int[] nums2) {
int n = nums1.length;
int m = nums2.length;
int[][] dp = new int[n+1][m+1];
for (int i = 1; i <= n; i++) {
for (int j = 1; j <= m; j++) {
if(nums1[i-1] == nums2[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[n][m];
}*/
// 动态规划 + 空间优化
// 时间: O(n*m)
// 空间: O(m)
public int maxUncrossedLines(int[] nums1, int[] nums2) {
int n = nums1.length;
int m = nums2.length;
int[] dp = new int[m+1];
int leftUp = 0;
for (int i = 1; i <= n; i++) {
for (int j = 1; j <= m; j++) {
int temp = dp[j];
if(nums1[i-1] == nums2[j-1]) {
dp[j] = leftUp + 1;
} else {
dp[j] = Math.max(dp[j], dp[j-1]);
}
leftUp = temp;
}
leftUp = 0;
}
return dp[m];
}
子序列(连续)
674. 最长连续递增序列
贪心
/**
* 思路: 贪心
* 1. 遍历数组,统计连续增长的子序列长度
* 2. 一旦遇到不连续的元素,则重新开始统计
*
* 时间: O(n)
* 空间: O(1)
*/
public int findLengthOfLCIS(int[] nums) {
int res = 1;
int lenOfChild = 1;
for (int i = 1; i < nums.length; i++) {
if(nums[i] > nums[i-1]) {
lenOfChild++;
} else {
// 重新开始统计
lenOfChild = 1;
}
res = Math.max(res, lenOfChild);
}
return res;
}
动态规划
/**
* 思路: 动态规划
* 1. 确定dp数组以及下标含义
* dp[i]表示包含下标i在内的最长连续递增序列
* 2. 确定递推公式
* if(nums[i] == nums[i-1]) {
* dp[i] = dp[i-1] + 1;
* } else {
* dp[i] = 1;
* }
* 3. 初始化
* dp[0] = 1
* 4. 遍历顺序
* 从前往后遍历
*
* 时间: O(n)
* 空间: O(n)
*/
/*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;
}*/
// 动态规划 + 空间优化
// 时间: O(n)
// 空间: O(1)
public int findLengthOfLCIS(int[] nums) {
int dp = 1;
int res = 1;
for (int i = 1; i < nums.length; i++) {
if(nums[i] > nums[i-1]) {
dp = dp + 1;
} else {
dp = 1;
}
res = Math.max(res, dp);
}
return res;
}
718. 最长重复子数组
/**
* 思路: 动态规划
* 1. dp[i][j] : 表示nums1中包含下标i在内的数组元素和nums2中包含下标j在内的数组元素最长重复子数组(连续的)
* 2. if(nums1[i-1] == nums2[j-1]) {
* dp[i][j] = dp[i-1][j-1] + 1;
* }
* 3. dp[0][j] = 0, dp[i][0] = 0
* 4. 外层遍历nums1,内层遍历nums2
*
* 时间: O(n*m)
* 空间: O(n*m)
*/
/*public int findLength(int[] nums1, int[] nums2) {
int n = nums1.length;
int m = nums2.length;
int[][] dp = new int[n+1][m+1];
int res = 0;
for (int i = 1; i <= n; i++) {
for (int j = 1; j <= m; j++) {
if(nums1[i-1] == nums2[j-1]) {
dp[i][j] = dp[i-1][j-1] + 1;
}
res = Math.max(res, dp[i][j]);
}
}
return res;
}*/
// 动态规划 + 空间优化
// 时间: O(n*m) 空间: O(m)
// 注意: nums2应该从后往前遍历, 如果从前往后遍历, 会出现覆盖问题
public int findLength(int[] nums1, int[] nums2) {
int n = nums1.length;
int m = nums2.length;
int[] dp = new int[m+1];
int res = 0;
for (int i = 1; i <= n; i++) {
for (int j = m; j > 0; j--) {
if(nums1[i-1] == nums2[j-1]) {
dp[j] = dp[j-1] + 1;
} else {
// 注意这里不相等要等于0
dp[j] = 0;
}
res = Math.max(res, dp[j]);
}
}
return res;
}
53. 最大子序和
贪心
/**
* 思路: 贪心
* 遍历数组,如果出现sumOfChild < 0, 则开始重新计算连续子序和
* 注意sumOfChild要写在第一步进行判断,这样当出现[-2,-1,-4]时, 每次重新计算连续子序和, 都能把当前元素纳入计算范围
*
* 时间: O(n)
* 空间: O(1)
*/
public int maxSubArray(int[] nums) {
int sumOfChild = nums[0];
int res = nums[0];
for (int i = 1; i < nums.length; i++) {
if(sumOfChild < 0) {
sumOfChild = 0;
}
sumOfChild += nums[i];
res = Math.max(res, sumOfChild);
}
return res;
}
动态规划
/**
* 思路: 动态规划
* 1. dp[i]表示包含下标i在内的最大子序和
* 2. if(dp[i-1] < 0) {
* dp[i] = nums[i];
* } else {
* dp[i] = dp[i-1] + nums[i];
* }
* 3. 初始化
* dp[0] = nums[0]
* 4. 遍历顺序
* 从前往后遍历
*
* 时间: O(n)
* 空间: O(n)
*/
/*public int maxSubArray(int[] nums) {
int[] dp = new int[nums.length];
dp[0] = nums[0];
int res = nums[0];
for (int i = 1; i < nums.length; i++) {
if(dp[i-1] < 0) {
dp[i] = nums[i];
} else {
dp[i] = dp[i-1] + nums[i];
}
res = Math.max(res, dp[i]);
}
return res;
}*/
// 动态规划 + 空间优化
// 时间: O(n)
// 空间: O(1)
public int maxSubArray(int[] nums) {
int dp = nums[0];
int res = nums[0];
for (int i = 1; i < nums.length; i++) {
if(dp < 0) {
dp = nums[i];
} else {
dp = dp + nums[i];
}
res = Math.max(res, dp);
}
return res;
}
编辑距离
392. 判断子序列
双指针法
/**
* 思路: 双指针法
* 1. 指针i指向s, 指向j指向t
* 2. 不断移动指针j,一直遍历到结束,除非i指针已到达s末尾
* 3. 若指针i和指针j指向的字符匹配时,则i++
*
* 时间: O(n+m)
* 空间: O(1)
*/
public boolean isSubsequence(String s, String t) {
int n = s.length();
int m = t.length();
int i = 0;
int j = 0;
while(i < n && j < m) {
if(s.charAt(i) == t.charAt(j)) {
i++;
}
if(i == s.length()) {
break;
}
j++;
}
return i == n;
}
动态规划
/**
* 思路: 动态规划
* 1. dp[i][j]: 表示s包含下标i在内的子串和t包含下标j在内的子串的相同子序列长度
* 2. if(s[i] == t[j]) {
* dp[i][j] = dp[i-1][j-1] + 1;
* } else {
* // 不匹配时,相当于t要删除元素,继续匹配
* dp[i][j] = dp[i][j-1];
* }
* 3. dp[0][j] = 0, dp[i][0] = 0
* 4. 外层遍历s,内层遍历t
*
* 时间: O(n * m)
* 空间: O(n * m)
*/
public boolean isSubsequence(String s, String t) {
int n = s.length();
int m = t.length();
int[][] dp = new int[n+1][m+1];
for (int i = 1; i <= n; i++) {
for (int j = 1; j <= m; j++) {
if(s.charAt(i-1) == t.charAt(j-1)) {
dp[i][j] = dp[i-1][j-1] + 1;
} else {
dp[i][j] = dp[i][j-1];
}
}
}
return dp[n][m] == n;
}
115. 不同的子序列
/**
* 思路: 动态规划
* 1. 确定dp数组以及下标含义
* dp[i][j] : 以i-1为结尾的s子序列中出现以j-1为结尾的t的个数为dp[i][j]
* 2. 确定递推公式
* if(s[i] == t[j]) {
* dp[i][j] = dp[i-1][j-1] + dp[i-1][j];
* // dp[i-1][j-1]表示匹配s[i]和t[j], dp[i-1][j]表示不匹配s[i]和t[j]
* // 比如baegg 和 bag, 求dp[5][3]时, 匹配最后一个字符,s可以组成bag, 不匹配最后一个字符,s也可以组成bag
* } else {
* dp[i][j] = dp[i-1][j];
* }
*
* 3. 确定遍历顺序
* 外层遍历s,内层遍历t
*
* 4. 初始化
* i=0时, 除了dp[0][0]外, dp[0][j]一定都为0, 因为空字符串s无论如何都无法组成t
* j=0时, dp[i][0]一定都为1, 因为字符串s可以删除全部字符,组成空字符串t
*
* 时间: O(n*m)
* 空间: O(n*m)
*/
/*public int numDistinct(String s, String t) {
int n = s.length();
int m = t.length();
int[][] dp = new int[n+1][m+1];
for (int i = 0; i < n; i++) {
dp[i][0] = 1;
}
for (int i = 1; i <= n; i++) {
for (int j = 1; j <= m; j++) {
if(s.charAt(i-1) == t.charAt(j-1)) {
dp[i][j] = dp[i-1][j-1] + dp[i-1][j];
} else {
dp[i][j] = dp[i-1][j];
}
}
}
return dp[n][m];
}*/
// 动态规划 + 空间压缩
// 时间: O(n * m)
// 空间: O(m)
public int numDistinct(String s, String t) {
int n = s.length();
int m = t.length();
int[] dp = new int[m+1];
dp[0] = 1;
int leftUp = dp[0];
for (int i = 1; i <= n; i++) {
for (int j = 1; j <= m; j++) {
int temp = dp[j];
if(s.charAt(i-1) == t.charAt(j-1)) {
dp[j] = leftUp + dp[j];
}
leftUp = temp;
}
leftUp = dp[0];
}
return dp[m];
}
583. 两个字符串的删除操作
/**
* 思路: 动态规划
*
* 1. 确定dp数组以及下标含义
* dp[i][j]:表示word1[i]和word2[j]达到相等,所需要删除元素的最少次数
* 2. 确定递推公式
* if(word1[i] == word2[j]) {
* dp[i][j] = dp[i-1][j-1];
* } else {
* // 分三种情况
* // ① 删word1[i],最少操作数 = dp[i-1][j] + 1
* // ② 删word2[j],最少操作数 = dp[i][j-1] + 1
* // ③ 同时删word1[i]和word2[j],最少操作数 = dp[i-1][j-1] + 2
* dp[i][j] = Math.min(Math.min(dp[i-1][j]+1, dp[i][j-1]+1),dp[i-1][j-1]+2);
* }
* 3. 初始化
* dp[0][j] = j;
* dp[i][0] = i;
* 4. 遍历顺序
* 先遍历word1,后遍历word2
*
* 5. 举例推导dp数组
* 比如"sea"和"eat"
* e a t
* 0 1 2 3
* s 1 2 3 4
* e 2 1 2 3
* a 3 2 1 2
*
* 时间: O(n*m)
* 空间: O(n*m)
*/
/*public int minDistance(String word1, String word2) {
int n = word1.length();
int m = word2.length();
int[][] dp = new int[n+1][m+1];
for (int i = 0; i <= n; i++) {
dp[i][0] = i;
}
for (int j = 0; j <= m; j++) {
dp[0][j] = j;
}
for (int i = 1; i <= n; i++) {
for (int j = 1; j <= m; j++) {
if(word1.charAt(i-1) == word2.charAt(j-1)) {
dp[i][j] = dp[i-1][j-1];
} else {
dp[i][j] = Math.min(Math.min(dp[i-1][j]+1, dp[i][j-1]+1),dp[i-1][j-1]+2);
}
}
}
return dp[n][m];
}*/
// 动态规划 + 空间优化
// 时间: O(n*m)
// 空间: O(m)
public int minDistance(String word1, String word2) {
int n = word1.length();
int m = word2.length();
int[] dp = new int[m+1];
for (int i = 0; i <= m; i++) {
dp[i] = i;
}
int leftUp = dp[0];
for (int i = 1; i <= n; i++) {
dp[0] = i;
for (int j = 1; j <= m; j++) {
int temp = dp[j];
if(word1.charAt(i-1) == word2.charAt(j-1)) {
dp[j] = leftUp;
} else {
dp[j] = Math.min(Math.min(dp[j]+1, dp[j-1]+1),leftUp+2);
}
leftUp = temp;
}
leftUp = dp[0];
}
return dp[m];
}
72. 编辑距离
/**
* 思路: 动态规划
* 1. 确定dp数组以及下标含义
* dp[i][j]表示word1[i]和word2[j]所需的最少操作数
* 2. 确定递推公式
* if(word1[i] == word2[j]) {
* dp[i][j] = dp[i-1][j-1];
* } else {
* // 分三种情况,增删改操作
* // 增加情况, 可以是word1添加一个元素,使word1[i] == word2[j], 即dp[i][j] = dp[i-1][j] + 1
* 也可以是word2添加一个元素,使word2[j] == word1[i], 即dp[i][j] = dp[i][j-1] + 1
* // 删除情况, 添加元素本身就已经包含删除的情况了,比如word2添加一个元素,相当于word1删除一个元素
* // 比如 word1="ad", word2="a", word1删除"d",word2添加一个元素"d",最后变成word1="a",word2="ad", 最终的操作数是一样的
* dp数组如下所示
* a a d
* 0 1 0 1 2
* a 1 0 =====> a 1 0 1
* d 2 1
*
* dp[2][1] == dp[1][2]
*
* // 更改情况, wrod1[i]更改成与word2[j]相同的字符, dp[i][j] = dp[i-1][j-1] + 1
*
* 综上, dp[i][j] = Math.min(Math.min(dp[i-1][j]+1, dp[i][j-1]+1), dp[i-1][j-1]+1)
* }
*
* 3. 初始化
* i=0时, dp[0][j] = j;
* j=0时, dp[i][0] = i;
*
* 4. 遍历顺序
* 外层遍历word1,内层遍历word2
*
* 5. 举例推导dp数组
* word1="horse", word2="ros"
* r o s
* 0 1 2 3
* h 1 1 2 3
* o 2 2 1 2
* r 3 2 2 3
* s 4 3 3 2
* e 5 4 4 3
*
* 时间: O(n*m)
* 空间: O(n*m)
*/
/*public int minDistance(String word1, String word2) {
int n = word1.length();
int m = word2.length();
int[][] dp = new int[n+1][m+1];
for (int i = 0; i <= n; i++) {
dp[i][0] = i;
}
for (int j = 0; j <= m; j++) {
dp[0][j] = j;
}
for (int i = 1; i <= n; i++) {
for (int j = 1; j <= m; j++) {
if(word1.charAt(i-1) == word2.charAt(j-1)) {
dp[i][j] = dp[i-1][j-1];
} else {
dp[i][j] = Math.min(Math.min(dp[i-1][j]+1, dp[i][j-1]+1), dp[i-1][j-1]+1);
}
}
}
return dp[n][m];
}*/
// 动态规划 + 空间优化
// 时间: O(n*m) 空间: O(m)
public int minDistance(String word1, String word2) {
int n = word1.length();
int m = word2.length();
int[] dp = new int[m+1];
for (int j = 0; j <= m; j++) {
dp[j] = j;
}
int leftUp = dp[0];
for (int i = 1; i <= n; i++) {
dp[0] = i;
for (int j = 1; j <= m; j++) {
int temp = dp[j];
if(word1.charAt(i-1) == word2.charAt(j-1)) {
dp[j] = leftUp;
} else {
dp[j] = Math.min(Math.min(dp[j]+1, dp[j-1]+1), leftUp+1);
}
leftUp = temp;
}
leftUp = dp[0];
}
return dp[m];
}
回文
674. 回文子串(连续)
求回文子串个数
动态规划
/**
* 思路: 动态规划
* 1. 确定dp数组以及下标含义
* dp[i][j]: s[i:j]区间范围内是否为回文子串,如果是dp[i][j]为true,如果不是dp[i][j]=false
* 2. 确定递推公式
* if(s[i] != s[j]) {
* dp[i][j] = false;
* } else {
* // s[i] == s[j]时
* // 分三种情况
* // ①i和j下标相同,即同一个字符,单个字符组成,例如a, 则为true
* // ②i和j相差为1,由2个字符组成,且字符要相同,比如aa, 则为true(不需要用到递推公式)
* // ③i和j相差大于1的时候,例如cabac,此时s[i]和s[j]首尾字符已经相同, 需要进一步判断s[i+1:j-1]区间是否是回文子串,即判断dp[i+1][j-1]是否是回文子串(状态转移方程)
* if(j-i <= 1) {
* dp[i][j] = true;
* } else {
* dp[i][j] = dp[i+1][j-1];
* }
* }
*
* 3. 初始化
* 一开始都为false
* 4. 遍历顺序
* 由递推公式知
* | |dp[i][j]|
* |dp[i+1][j-1]| |
* 所以矩阵应该是从下往上遍历, 从左向右遍历(保证每个dp[i+1][j-1]都是经过计算的)
*
* 5. 举例推导dp数组
* "aaa"
* 0 1 2
* a a a
* 0 a T T T
* 1 a F T T
* 2 a F F T
* 统计有6个T即为答案
*
* 时间: O(n^2)
* 空间: O(n^2)
*/
/*public int countSubstrings(String s) {
if(s == null || s.length() == 0) {
return 0;
}
int len = s.length();
int res = 0;
boolean[][] dp = new boolean[len][len];
for (int i = len-1; i >= 0; i--) {
for (int j = i; j < len; j++) {
if(s.charAt(i) != s.charAt(j)) {
continue;
} else {
if(j - i <= 1) {
dp[i][j] = true;
res++;
} else {
if(dp[i+1][j-1]) {
dp[i][j] = true;
res++;
}
}
}
}
}
return res;
}*/
// 动态规划 + 空间优化
// 时间: O(n^2) 空间:O(n)
public int countSubstrings(String s) {
if(s == null || s.length() == 0) {
return 0;
}
int len = s.length();
int res = 0;
boolean[] dp = new boolean[len];
boolean leftBottom = dp[len-1];
for (int i = len-1; i >= 0; i--) {
for (int j = i; j < len; j++) {
boolean temp = dp[j];
if(s.charAt(i) != s.charAt(j)) {
dp[j] = false;
} else {
if(j - i <= 1) {
dp[j] = true;
res++;
} else {
if(leftBottom) {
dp[j] = true;
res++;
} else {
dp[j] = false;
}
}
}
leftBottom = temp;
}
leftBottom = dp[i];
}
return res;
}
双指针法(中心扩展)
/**
* 思路: 双指针法(中心扩展)
* 1. 在遍历中心节点的时候,往两边扩散看是不是对称即可
* 2. 中心节点有两种情况:
* - 一个元素作为中心节点
* - 两个元素作为中心节点
* 比如ababa
* a可以作为中心节点进行扩展,但是这样就无法得到abab,所以同样也要有两个元素作为中心节点
* ab作为中心节点,就可以得到abab了
*
* 3. 两种情况可以放在一起计算,或者分别计算,这里给出的是分别计算
*
* 时间: O(n^2)
* 空间: O(1)
*
*/
public int countSubstrings(String s) {
if(s == null || s.length() == 0) {
return 0;
}
int res = 0;
for (int i = 0; i < s.length(); i++) {
// 一个元素作为中心节点
res += extend(s, i, i);
// 两个元素作为中心节点
res += extend(s, i, i+1);
}
return res;
}
private int extend(String s, int left, int right) {
int sum = 0;
while(left >= 0 && right < s.length() && s.charAt(left) == s.charAt(right)) {
sum++;
left--;
right++;
}
return sum;
}
516. 最长回文子串(不连续)
/**
* 思路: 动态规划
* 1. 确定dp数组以及下标含义
* dp[i][j] : 字符串s[i:j]范围内的最长回文子序列的长度为dp[i][j]
*
* 2. 确定递推公式
* // 首尾字符相同
* if(s[i] == s[j]) {
* dp[i][j] = dp[i+1][j-1] + 2;
* } else {
* // 分两种情况, 说明s[i]和s[j]不能同时加入, 则分别加入s[i]、s[j]看看哪一个可以组成最长回文子序列
* // ①加入s[i]的回文子序列长度为: dp[i][j-1]
* // ②加入s[j]的回文子序列长度为: dp[i+1][j]
* // 比如 cbbd, 计算dp[0][3]时, s[0] != s[3]
* // 不加s[0]时,加入s[3], dp[0][3] = dp[1][3] 即bbd
* // 不加s[3]时,加入s[0], dp[0][3] = dp[0][2] 即cbb
* dp[i][j] = Math.max(dp[i][j-1], dp[i+1][j])
* }
*
* 3. 初始化
* i与j相同时,即指向了同一个字符,此时dp[i][j] = 1, 防止被0覆盖,成为2, 因为1个字符长度只能为1
*
* 4. 确定遍历顺序
* 由递推公式可知, 从下往上, 从左往右遍历
*
* 5. 举例推导dp数组
* 比如 s = "cbbd"
*
* c b b d
* c 1 1 2 2
* b 0 1 2 2
* b 0 0 1 1
* d 0 0 0 1
*
* 时间: O(n^2)
* 空间: O(n^2)
*/
/*public int longestPalindromeSubseq(String s) {
int res = 0;
int len = s.length();
int[][] dp = new int[len][len];
for (int i = 0; i < len; i++) {
dp[i][i] = 1;
}
for (int i = len-2; i >= 0; i--) {
for (int j = i+1; j < len; j++) {
if(s.charAt(i) == s.charAt(j)) {
dp[i][j] = dp[i+1][j-1] + 2;
} else {
dp[i][j] = Math.max(dp[i][j-1], dp[i+1][j]);
}
}
}
return dp[0][len-1];
}*/
// 动态规划 + 空间优化
// 时间: O(n^2)
// 空间: O(n)
public int longestPalindromeSubseq(String s) {
if(s.length() == 1) {
return 1;
}
int res = 0;
int len = s.length();
int[] dp = new int[len];
dp[len-1] = 1;
int leftBottom = dp[len-2];
for (int i = len-2; i >= 0; i--) {
dp[i] = 1;
for (int j = i+1; j < len; j++) {
int temp = dp[j];
if(s.charAt(i) == s.charAt(j)) {
dp[j] = leftBottom + 2;
} else {
dp[j] = Math.max(dp[j-1], dp[j]);
}
leftBottom = temp;
}
if(i != 0) {
leftBottom = dp[i-1];
}
}
return dp[len-1];
}
5. 最长回文子串(连续)
求最长的连续回文子串
动态规划
/**
* 思路: 动态规划
* 1. dp[i][j]表示s[i:j]区间是否是回文子串
* 2. 递推公式
* if(s[i] != s[j]) {
* dp[i][j] = false;
* } else {
* // 两个字符时,比如aa,不需要用到递推公式
* if(j - i <= 1) {
* dp[i][j] = true;
* } else {
* dp[i][j] = dp[i+1][j-1];
* }
* }
*
* 3. 初始化
* i == j时, dp[i][j] = false;
*
* 4. 遍历顺序
* 从下往上,从左往右
*
* 5. 举例推导dp数组
* b a b a d
* b 1 0 3 0 0
* a 0 1 0 3 0
* b 0 0 1 0 0
* a 0 0 0 1 0
* d 0 0 0 0 1
*
* 时间: O(n^2)
* 空间: O(n^2)
*/
public static String longestPalindrome(String s) {
int len = s.length();
if(len < 2) {
return s;
}
boolean[][] dp = new boolean[len][len];
for (int i = 0; i < len; i++) {
dp[i][i] = true;
}
int maxLen = 1;
int start = 0;
for (int i = len-2; i >= 0; i--) {
for (int j = i+1; j < len; j++) {
if(s.charAt(i) != s.charAt(j)) {
dp[i][j] = false;
} else {
// 两个字符相等时,比如aa,不需要用到递推公式
if(j - i <= 1) {
dp[i][j] = true;
} else {
dp[i][j] = dp[i+1][j-1];
}
}
if(dp[i][j] && j - i + 1 > maxLen) {
maxLen = j - i + 1;
start = i;
}
}
}
return s.substring(start, start + maxLen);
}
双指针法(中心扩展法)
/**
* 思路: 双指针法(中心扩展)
*
* 1. 在遍历中心节点的时候,往两边扩散看看是不是对称
* 2. 中心节点有两种情况:
* - 一个元素作为中心节点
* - 两个元素作为中心节点
*
* 3. 两种情况分别计算
*
* 时间: O(n^2)
* 空间: O(1)
*/
public String longestPalindrome(String s) {
if(s.length() < 2) {
return s;
}
int start = 0;
int maxLen = 1;
for (int i = 0; i < s.length(); i++) {
int len1 = extend(s, i, i);
int len2 = extend(s, i, i+1);
int len = Math.max(len1, len2);
if(len > maxLen) {
maxLen = len;
// 如果是cccc, 两个元素作为中心节点开始扩展的话,需要 start - (len -1)/2 , 即1 - (4-1)/2 = 0
// 如果是ccc, 一个元素作为中心节点开始扩展的话, 也需要 start - (len -1)/2, 即1 - (3-1)/2 = 0;
start = i - (len -1) / 2;
}
}
return s.substring(start, start + maxLen);
}
private int extend(String s, int left, int right) {
// 比如 a b a
// left = 1, right = 1
// 从b开始扩展, 最后返回长度: left = -1, right = 3, right - left - 1 = 3
// 再比如 a b b a
// 从b b两个元素开始扩展, 最后返回长度: left = -1, right = 3, right - left - 1 = 3
while(left >= 0 && right < s.length() && s.charAt(left) == s.charAt(right)) {
left--;
right++;
}
return right - left - 1;
}