算法-动态规划-leetcode300. 最长递增子序列

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 ：
  $f(n)=f(n-1)+f(n-2)f(n)=f(n-1)+f(n-2)$
• 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 $f(1),f(2)\dots f(n-1)$ 推导出 $f(n)$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。