第43天,动态规划part10,,子序列题型,编程语言:C++
目录
300.最长递增子序列
文档讲解:代码随想录最长递增子序列
视频讲解:手撕最长递增子序列
题目:300. 最长递增子序列 - 力扣(LeetCode)
学习:本题需要找的是子序列,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。本题对于动态规划dp数组的使用,又和前面的题型不同,从动归五部曲进行分析:
1.确定dp数组以及下标的含义:dp[i]表示以下标i为尾元素的[0- i]能够组成的最长递增子序列的长度。注意如果是按照之前的题型来说,我们应该设置的dp[i]是[0 - i]能够组成的最长递增子序列的长度,但本题我们需要强调以nums[i]为尾元素。也就意味着一定要包含nums[i]。
为什么一定要包含nums[i]呢,这是因为我们再每加入一个元素的时候,实际上我们不仅仅需要与最大的元素比较,我们还需要和前面的元素进行比较。例如[1,2,4,2,3,4]。如果我们按照以前的方式只记录[0 - i]能够组成的最长递增子序列的长度,并且保存最大值,那么我们在遍历后面的三个元素2,3,4的时候,都不能加入仅最长子序列当中,但显然本题的最长子序列应该是4,也就是[1,2,3,4]。因此nums[i]不仅仅需要和最大的元素进行比较,还需要和前面的元素进行比较,而我们在进行nums[i]与nums[j]其实就默认了分别以nums[i]和nums[j]为结尾,要不然比较就没有意义了,因此我们选以尾部元素比较作为递增的方式。
2.确定递推公式:位置i的最长升序子序列等于j从0到i-1各个位置的最长升序子序列 + 1 的最大值。最终得到递推公式:if (nums[i] > nums[j]) dp[i] = max(dp[i], dp[j] + 1);
3.dp[i]的初始化,对于每一个i对应的dp[i]来说,都至少包含nums[i]自己,因此起始大小都是1.
4.确定遍历顺序:由递推公式可知,当前i需要前面的[0, i -1]的为止上的结果推导而来,因此需要从前往后遍历。
5.举例推导dp数组:
代码:
//时间复杂度O(n^2)
//空间复杂度O(n)
class Solution {
public:
int lengthOfLIS(vector<int>& nums) {
//动态规划
if(nums.size() <= 1) return nums.size();
//1.确定dp数组以及下标的含义
vector<int> dp(nums.size(), 1); //dp[i]: [0-i]中最长子序列的长度
//2.确定递推公式:
//if (nums[i] > nums[j]) dp[i] = max(dp[i], dp[j] + 1);
//3.初始化dp数组
//dp[i] = 1; //至少包含nums[i]本身
//4.确定遍历顺序
int result = 0;
for(int i = 1; i < nums.size(); i++) {
for(int j = 0; j < i; j++) {
if(nums[j] < nums[i]) {
dp[i] = max(dp[i], dp[j] + 1);
}
}
result = max(result, dp[i]);
}
return result;
}
};
674.最长连续递增子序列
文档讲解:代码随想录最长连续递增序列
视频讲解:手撕最长连续递增序列
题目: 674. 最长连续递增序列 - 力扣(LeetCode)
学习:本题与上一题的不同在于,本题找的是连续子序列。因此只需要和前一个元素进行比较就可以了。但是本题的dp数组的设置与上一题一致,因为本题我们不能直接依靠前面的结果,因为后面可能会出现长度更长的子序列。
本题的动规五部曲分析,只有递推公式与上一题不同,本题的递推公式为:if(nums[i] > nums[i - 1]) dp[i] = dp[i - 1] + 1;后面的结果只依赖于前一个的结果。
但要注意,本题的最终答案,同样不一定是dp[nums.size() - 1],因为前面和后面都可能会出现最长的连续子序列,因此我们还需要一个result,来记入最大的结果。
代码:
//时间复杂度O(n)
//空间复杂度O(n)
class Solution {
public:
int findLengthOfLCIS(vector<int>& nums) {
//动态规划
if(nums.size() <= 1) return nums.size();
//1.确定dp数组以及下标的含义
vector<int> dp(nums.size(), 1); //dp[i] 表示以nums[i]结尾的最大连续子序列
//2.递推公式,dp[i]只与dp[i - 1]有关
//if(nums[i] > nums[i - 1]) dp[i] = dp[i - 1] + 1;
//3.初始化dp数组:dp[i] = 1;
//4.确定遍历顺序
int result = 0;
for(int i = 1; i < nums.size(); i++) {
if(nums[i] > nums[i - 1]) {
dp[i] = dp[i - 1] + 1;
}
if (dp[i] > result) result = dp[i];
}
return result;
}
};
本题其实直观上,最容易想到的办法是贪心,从前往后,遍历到后面的元素比前大就+1。否则就从1开始重新计算。最后取最大值。
代码:
//时间复杂度O(n)
//空间复杂度O(n)
class Solution {
public:
int findLengthOfLCIS(vector<int>& nums) {
//贪心算法:遇到nums[i] > nums[i - 1]的情况,count就++,否则count为1
if(nums.size() <= 1) return nums.size();
int result = 1;
int count = 1;
for(int i = 1; i < nums.size(); i++) {
if(nums[i] > nums[i - 1]) {
count++;
}
else {
count = 1;
}
if(count > result) {
result = count;
}
}
return result;
}
};
718.最长重复子数组
文档讲解:代码随想录最长重复子数组
视频讲解:手撕最长重复子数组
题目: 718. 最长重复子数组 - 力扣(LeetCode)
学习:本题是在两个数组中找公共的连续子序列(子数组)。能够想到的暴力解法是,使用两层for循环,确定两个数组的起始为止,然后再来一个循环可以是for或者while,来从两个起始位置开始比较,取得重复子数组的长度。
本题采用动规的方法,最重要的就是能够想到dp数组的设置。以前两题dp数组的设置为灵感,本题我们可以设置一个二维dp数组。dp[i][j]表示以下标i - 1为结尾的nums1数组,和以下标j - 1结尾的nums2数组的最长重复子数组的长度为dp[i][j]。注意这里是以i- 1作为结尾,为什么要这么做,从初始化状态部门会进行说明。
2.确定递推公式:根据dp[i][j]的定义,dp[i][j]的状态只能由dp[i - 1][j - 1]推导出来。且仅当nums1[i - 1] == nums[j - 1]时,dp[i][j] = dp[i - 1][j - 1] + 1。
3.初始化dp数组:根据递推公式,显然我们需要初始化第一行和第一列。
这个部分就可以说明为什么我们要以i - 1作为结尾。因为如果我们设置的dp[i][j]是以i和j作为结尾。那么我们就有必要单独初始化第一行和第一列,因为dp[0][0]是可能等于1的,也就是nums1和nums2的下标为0的元素相等。其他的dp[0][j]和dp[i][0]都有可能是1,需要我们进行初始化。
但是如果我们以i - 1和j - 1作为结尾。那么第一行和第一列,本质上是没有意义的。但是带入递推公式,假如nums1和nums2的下标为0(也就是第一个元素)相等,那么此时应该是dp[1][1] = dp[i - 1][j - 1] + 1 = 1。则我们只需要把第一行和第一列都初始化为0即可,相当于我们是把第一种情况的初始化,加入到了后序的遍历中。而把第一行和第一列初始化为0,在我们创建数组的时候,就可以进行了。
总结来说就是,我们可以选择以i和j结尾,也可以选择以i-1和j-1结尾,只不过是初始化数组的时候操作不同而已。对于i和j我们需要单独对第一行和第一列初始化,对于i-1和j-1我们只需要在创建数组的时候,全部初始化为0即可。
4.确定遍历顺序,显然我们需要遍历nums1和nums2,且均是从前往后遍历。
5.举例dp数组:
代码:注意,我们还是需要用一个result来保存最大值。
//时间复杂度O(n)
//空间复杂度
class Solution {
public:
int findLength(vector<int>& nums1, vector<int>& nums2) {
//动态规划:
if(nums1.size() == 0 || nums2.size() == 0) return 0;
//1.确定dp数组,以及下标的的含义
//dp[i][j]表示以下标i-1结尾和下标j-1结尾的nums1和nums2的最大公共长度
vector<vector<int>> dp(nums1.size() + 1, vector<int> (nums2.size() + 1, 0));
//2.确定递推公式
//if(nums[i - 1] == nums[j - 1]) dp[i][j] = dp[i - 1][j - 1] + 1;
//3.初始化dp数组:
//对于i = 0; j = 0来说都没有意义,我们遍历的时候也需要从i = 1,j = 1进行遍历。但为了递推公式我们需要初始化为0
//4.确定遍历顺序
int result = 0;
for(int i = 1; i <= nums1.size(); i++) {
for(int j = 1; j <= nums2.size(); j++) {
if(nums1[i - 1] == nums2[j - 1]) {
dp[i][j] = dp[i - 1][j - 1] + 1;
}
if(dp[i][j] > result) result = dp[i][j];
}
}
return result;
}
};
总结
子序列是动态规划的经典题型之一,不同题型之间,dp数组的设置最为关键,其次为递推数组。一定要好好理解,多加练习。