Leetcode_Dynamic_Programming -- 300. Longest Increasing Subsequence [medium]

Given an unsorted array of integers, find the length of longest increasing subsequence.

给定一个未排序的整数数组，返回该数组的最长递增子序列的长度。

Example:

Input: [10,9,2,5,3,7,101,18]
Output: 4 
Explanation: The longest increasing subsequence is [2,3,7,101], therefore the length is 4. 

Note:

• There may be more than one LIS combination, it is only necessary for you to return the length.
• Your algorithm should run in O(n2) complexity.

注意：

这里可能不止一种最长递增子序列额组合，你只需要返回其长度

你的算法的时间复杂度应该在O(n^2)

Follow up: Could you improve it to O(n log n) time complexity?

能否将算法时间复杂度降低到O(nlogn)？

 

动态规划法，创建一个dp数组，题目要求最长递增子序列，所以初始化dp数组中元素应设置较小，然后向大的方向更新。可知最差情况是nums中第 i 个元素的最长递增子序列长度为1，则初始化dp数组全为1。

考虑边界情况nums为空，则加入判断，当nums为空时，返回0

这道题的状态转移方程该如何写，我们不妨来考虑dp[ i ]所代表的含义，dp[ i ]可以代表以nums中第 i 个元素结尾的数组最长递增子序列长度，也可以代表nums中前 i 个元素其最长递增子序列长度，这是两个完全不同的概念，请不要混淆！如果dp[ i ]代表nums中前 i 个元素最长递增子序列长度，是求不出问题的解的，仔细考虑的话就会发现，dp[ i ]与dp[ j ]（0= < j < i）之间没有办法建立状态转移方程。只有当dp[ i ]代表以nums中第 i 个元素结尾的最长递增子序列长度，才会得到dp[ i ]与dp[ j ]之间的关联（0= < j < i），即比较nums[ i ]与nums[ j ]的大小（0= < j < i），判断dp[ i ]是否需要进行加一操作，不断更新dp[ i ]的大小，直到 j 从 0 遍历到 i-1为止，所以状态转移方程：

从0到 i 开始搜索，两层嵌套循环，比较nums[ i ]与当前数nums[ j ]的大小，更新dp[ i ]， dp[ i ] = max(dp[ i ]，dp[ j ]+1)，j从0到 i，切记dp[ i ]代表的是 【 以nums[ i ]为结尾 】的最长递增子序列长度  。

Solutions：

Python

class Solution:
    def lengthOfLIS(self, nums: List[int]) -> int:
        if len(nums) == 0:
            return 0
        dp = [1]*len(nums)
        for i in range(1,len(nums)):
            for j in range(0,i):
                if nums[j]<nums[i]:
                    dp[i] = max(dp[i],dp[j]+1)
        return max(dp)