1.判断子序列
class Solution {
public boolean isSubsequence(String s, String t) {
if (s.length() == 0) return true;
for (int i = 0, j = 0; j < t.length(); j++) {
if (s.charAt(i) == t.charAt(j)) {
// 若已经遍历完 s ,则提前返回 true
if (++i == s.length())
return true;
}
}
return false;
}
}
2.不同的子序列
class Solution {
public int numDistinct(String s, String t) {
memo = new int[s.length()][t.length()];
for (int[] row : memo) {
Arrays.fill(row, -1);
}
return dp(s, 0, t, 0);
}
int[][] memo;
// 定义:该函数返回 s[i..] 中的子序列 t[j..] 的数量
int dp(String s, int i, String t, int j) {
int m = s.length(), n = t.length();
if (j == n) {
// 子序列全部匹配完成
return 1;
}
if (n - j > m - i) {
// 待匹配子序列的长度不应该比字符串的长度还要短
return 0;
}
if (memo[i][j] != -1) {
// 已经计算过对应状态
return memo[i][j];
}
int res = 0;
// 状态转移方程
if (s.charAt(i) == t.charAt(j)) {
res += dp(s, i + 1, t, j + 1) + dp(s, i + 1, t, j);
} else {
res += dp(s, i + 1, t, j);
}
memo[i][j] = res;
return res;
}
}
3.两个字符串的删除操作(最长公共子序列变形)
class Solution {
public int minDistance(String s1, String s2) {
int m = s1.length(), n = s2.length();
// 复用前文计算 lcs 长度的函数
int lcs = longestCommonSubsequence(s1, s2);
return m - lcs + n - lcs;
}
public int longestCommonSubsequence(String s1, String s2) {
int m = s1.length(), n = s2.length();
int[][] dp = new int[m + 1][n + 1];
// 定义:s1[0..i-1] 和 s2[0..j-1] 的 lcs 长度为 dp[i][j]
// 目标:s1[0..m-1] 和 s2[0..n-1] 的 lcs 长度,即 dp[m][n]
// base case: dp[0][..] = dp[..][0] = 0
for (int i = 1; i <= m; i++) {
for (int j = 1; j <= n; j++) {
// 现在 i 和 j 从 1 开始,所以要减一
if (s1.charAt(i - 1) == s2.charAt(j - 1)) {
// s1[i-1] 和 s2[j-1] 必然在 lcs 中
dp[i][j] = 1 + dp[i - 1][j - 1];
} else {
// s1[i-1] 和 s2[j-1] 至少有一个不在 lcs 中
dp[i][j] = Math.max(dp[i][j - 1], dp[i - 1][j]);
}
}
}
return dp[m][n];
}
}
4.编辑距离
int minDistance(String s1, String s2) {
int m = s1.length(), n = s2.length();
// 定义:s1[0..i] 和 s2[0..j] 的最小编辑距离是 dp[i+1][j+1]
int[][] dp = new int[m + 1][n + 1];
// base case
for (int i = 1; i <= m; i++)
dp[i][0] = i;
for (int j = 1; j <= n; j++)
dp[0][j] = j;
// 自底向上求解
for (int i = 1; i <= m; i++) {
for (int j = 1; j <= n; j++) {
if (s1.charAt(i-1) == s2.charAt(j-1)) {
dp[i][j] = dp[i - 1][j - 1];
} else {
dp[i][j] = min(
dp[i - 1][j] + 1,
dp[i][j - 1] + 1,
dp[i - 1][j - 1] + 1
);
}
}
}
// 储存着整个 s1 和 s2 的最小编辑距离
return dp[m][n];
}
int min(int a, int b, int c) {
return Math.min(a, Math.min(b, c));
}
5.回文子串
class Solution {
public int countSubstrings(String s) {
// 动态规划法
boolean[][] dp = new boolean[s.length()][s.length()];
int ans = 0;
for(int j = 0; j < s.length(); j++){
for(int i = 0; i <= j; i++){
if(s.charAt(i) == s.charAt(j) && (j - i < 2 || dp[i+1][j-1])){
dp[i][j] = true;
ans++;
}
}
}
return ans;
}
}
6.最长回文子序列
class Solution {
public int longestPalindromeSubseq(String s) {
int n = s.length();
// dp 数组全部初始化为 0
int[][] dp = new int[n][n];
// base case
for (int i = 0; i < n; i++) {
dp[i][i] = 1;
}
// 反着遍历保证正确的状态转移
for (int i = n - 1; i >= 0; i--) {
for (int j = i + 1; j < n; j++) {
// 状态转移方程
if (s.charAt(i) == s.charAt(j)) {
dp[i][j] = dp[i + 1][j - 1] + 2;
} else {
dp[i][j] = Math.max(dp[i + 1][j], dp[i][j - 1]);
}
}
}
// 整个 s 的最长回文子串长度
return dp[0][n - 1];
}
}
7.每日温度
class Solution {
public int[] dailyTemperatures(int[] temperatures) {
int n = temperatures.length;
int[] res = new int[n];
// 这里放元素索引,而不是元素
Stack<Integer> s = new Stack<>();
/* 单调栈模板 */
for (int i = n - 1; i >= 0; i--) {
while (!s.isEmpty() && temperatures[s.peek()] <= temperatures[i]) {
s.pop();
}
// 得到索引间距
res[i] = s.isEmpty() ? 0 : (s.peek() - i);
// 将索引入栈,而不是元素
s.push(i);
}
return res;
}
}
8.下一个更大元素1
class Solution {
public int[] nextGreaterElement(int[] nums1, int[] nums2) {
// 1.单调栈,倒序输入相当于正序输出,
// 2.抽象思想,将数值抽象成 “身高”,身高高的将身高矮的挡住
// for循环从后向前扫描元素,while循环把两个 "个字高" 之间的元素排除
// 算法时间复杂度为O(n),每个元素都被push入栈,而最多会被pop一次,也就是O(n)
// 记录nums2中每个元素的下一个更大元素
int[] greater = nextGreaterElement1(nums2);
//转化成映射,元素 x -> x的下一个更大元素
HashMap<Integer, Integer> greaterMap = new HashMap<>();
for(int i = 0; i < nums2.length; i++){
// 注意一个重点,nums1 & nums2 中的元素都是不重复的,才能使用这个方法
greaterMap.put(nums2[i],greater[i]);
}
//nums1是nums2的子集, 所以根据greatMap可以得到结果
int[] res = new int[nums1.length];
for(int i = 0; i < nums1.length; i++){
res[i] = greaterMap.get(nums1[i]);
}
return res;
}
int[] nextGreaterElement1(int[] nums){
int n = nums.length;
//存放答案的数组
int[] res = new int[n];
Stack<Integer> s = new Stack<>();
//倒着往栈里放
for(int i = n - 1; i >= 0; i--){
//判定个字高矮
while(!s.isEmpty() && s.peek() <= nums[i]){
//矮个 小于 当前的值,那么下一个最大的值就不是它
//pop() 之后继续循环,找有没有比当前值大的元素
s.pop();
}
//nums[i],在当前元素之后的元素都比当前元素小,那么返回-1
res[i] = s.isEmpty() ? -1 : s.peek();
s.push(nums[i]);
}
return res;
}
}
9.下一个更大元素2
class Solution {
public int[] nextGreaterElements(int[] nums) {
int n = nums.length;
int[] res = new int[n];
Stack<Integer> s = new Stack<>();
// 数组长度加倍模拟环形数组
// n - 1 - 0 + 1 = n个元素, 改成 2n - 1 - 0 + 1 = 2n个元素
// 其实这里改成 2n - 2也行,就少复制了一个数组尾部元素,不影响 n - 1之前索引元素的计算
// n - 1 的索引计算 也只依靠 复制后的 0 ~ n-2索引的元素
for (int i = 2 * n - 1; i >= 0; i--) {
// 索引 i 要求模,其他的和模板一样
while (!s.isEmpty() && s.peek() <= nums[i % n]) {
s.pop();
}
res[i % n] = s.isEmpty() ? -1 : s.peek();
s.push(nums[i % n]);
}
return res;
}
}
10.接雨水
核心思想考虑单个列能接多少水,单个列接水数量取决于两边最高左柱子和最高右柱子
class Solution {
int trap(int[] height) {
if (height.length == 0) {
return 0;
}
int n = height.length;
int res = 0;
// 数组充当备忘录
int[] l_max = new int[n];
int[] r_max = new int[n];
// 初始化 base case
l_max[0] = height[0];
r_max[n - 1] = height[n - 1];
// 从左向右计算 l_max
for (int i = 1; i < n; i++)
l_max[i] = Math.max(height[i], l_max[i - 1]);
// 从右向左计算 r_max
for (int i = n - 2; i >= 0; i--)
r_max[i] = Math.max(height[i], r_max[i + 1]);
// 计算答案
for (int i = 1; i < n - 1; i++)
res += Math.min(l_max[i], r_max[i]) - height[i];
return res;
}
}
11.柱状图中最大的矩形
class Solution {
public int largestRectangleArea(int[] heights) {
/*
只做单调栈思路:参考"编程狂想曲"思路比较好理解
1.核心思想:求每条柱子可以向左右延伸的长度->矩形最大宽度;矩形的高->柱子的高度
计算以每一根柱子高度为高的矩形面积,维护面积最大值
2.朴素的想法:遍历每一根柱子的高度然后向两边进行扩散找到最大宽度
3.单调栈优化:因为最终的目的是寻找对应柱子height[i]右边首个严格小于height[i]的柱子height[r]
左边同理找到首个严格小于height[i]的柱子height[l]
维护一个单调递增栈(栈底->栈顶),那么每当遇到新加入的元素<栈顶便可以确定栈顶柱子右边界
而栈顶柱子左边界就是栈顶柱子下面的柱子(<栈顶柱子)
左右边界确定以后就可以进行面积计算与维护最大面积
时间复杂度:O(N),空间复杂度:O(N)
*/
// 引入哨兵
// 哨兵的作用是 将最后的元素出栈计算面积 以及 将开头的元素顺利入栈
// len为引入哨兵后的数组长度
int len = heights.length + 2;
int[] newHeight = new int[len];
newHeight[0] = newHeight[len - 1] = 0;
// [1,2,3]->[0,1,2,3,0]
for(int i = 1; i < len - 1; i++) {
newHeight[i] = heights[i - 1];
}
// 单调递增栈:存储每个柱子的索引,使得这些索引对应的柱子高度单调递增
Stack<Integer> stack = new Stack<>();
// 最大矩形面积
int res = 0;
// 遍历哨兵数组
for(int i = 0; i < len; i++) {
// 栈不为空且当前柱子高度<栈顶索引对应的柱子高度
// 说明栈顶元素的右边界已经确定,就是索引为i的柱子(不含)
// 此时将栈顶元素出栈,栈顶矩形左边界为栈顶元素下面的索引(首个小于栈顶)
while(!stack.empty() && newHeight[i] < newHeight[stack.peek()]) {
// 栈顶索引出栈并记录
int pop = stack.pop();
// 计算出栈顶元素矩形的宽度如(0,1,2)->[1,2,1],两边都不包含
// 因此右索引-左索引-1=矩形宽度
int w = i - stack.peek() - 1;
// 栈顶索引对应的柱子高度就是矩形的高度
int h = newHeight[pop];
// 计算矩形面积
int area = w * h;
// 维护矩形面积最大值
res = Math.max(res, area);
}
// 每当弹出一个索引就计算一个矩形面积
// 直到当前元素>=栈顶元素(或者栈为空)时,栈顶柱子的右边界还没确定
// 因此当前元素索引入栈即可
stack.push(i);
}
return res;
}
}