动态规划
动态规划不是某一种具体的算法,而是一种算法思想:若要解一个给定问题,我们需要解其不同部分(即子问题),再根据子问题的解以得出原问题的解。
要求:
- 最优子结构:规定的是子问题与原问题的关系。把这个问题分解成多个子问题,然后递归地找到每个子问题的最优解,将子问题的解进行组合可以得到原问题的解,一般用状态转移方程描述这种组合。
如:斐波那契问题的状态转移方程 :
f ( n ) = f ( n − 1 ) + f ( n − 2 ) f ( n ) = f ( n − 1 ) + f ( n − 2 ) f(n) = f(n - 1) + f(n - 2)f(n)=f(n−1)+f(n−2) f(n)=f(n−1)+f(n−2)f(n)=f(n−1)+f(n−2) - 重复子问题:规定的是子问题与子问题的关系。在递归地寻找每个子问题的最优解的时候,这些子问题会重叠地出现在子问题里,动态规划可以保证每个重叠的子问题只会被求解一次。
思路:
- 考虑将问题规模缩小,找到重复子问题
- 定义状态转移方程,确定通过 f ( 1 ) , f ( 2 ) … f ( n − 1 ) f(1), f(2) … f(n - 1) f(1),f(2)…f(n−1) 推导出 f ( n ) f(n) f(n)的组合方式
最长递增子序列
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
import org.junit.Test;
import java.util.List;
public class Solution {
public int lengthOfLIS(int[] nums) {
if (nums.length == 0){
return 0;
}
int[] dp = new int[nums.length];
dp[0] = 1;
int maxlen = 1;
for (int i = 1; i < nums.length; i++){
// 初始化每个位置的个数值,最小值为1
dp[i] = 1;
for (int j = 0; j <= i-1; j++){
// 当nums[i] > nums[j]时,状态转移,并获取dp[i], dp[j]+1的最大值
if (nums[i] > nums[j]){
dp[i] = Math.max(dp[i], dp[j]+1);
}
}
// 记录最大值
maxlen = Math.max(maxlen, dp[i]);
}
return maxlen;
}
@Test
public void ts(){
int[] nums = {4,10,4,3,8,9};
int res = this.lengthOfLIS(nums);
System.out.println(res);
}
}
结果:3
容易出错的是:误认为最后的dp[nums.length-1]即为最大值。