最长公共子序列（LCS）问题的解决及优化、最长公共子串问题

原创已于 2022-09-02 17:21:52 修改 · 4.9k 阅读

26 ·

CC 4.0 BY-SA版权

文章标签：

#算法 #动态规划

于 2022-06-27 21:40:07 首次发布

动态规划专栏收录该内容

6 篇文章

订阅专栏

1、LCS：最长公共子序列问题

LCS问题的描述为：给定两个整数序列a和b，找到它们所有的公共子序列中最长的序列，输出其长度。

例：a：6 4 8 1 3 2、b：4 7 6 2 3 8 6 1

最长公共子序列有：6 8 1、4 8 1，长度均为3，因此结果为3。

解决LCS问题同样是动态规划思想。LCS问题的结果同时受到两个字符串的影响，所以状态需要用二维表示。我们以f[i][j]表示a中从1到i、b中从1到j范围内的最长公共子序列的长度，那么考虑对于状态f[i][j]可以由哪些状态转移过来，在每一阶段我们能做出的决策有以下几种：

若a[i]=b[j]，则a[i]、b[j]同时属于公共子序列：

f[i][j]由f[i-1][j-1]转移而来，f[i][j]=f[i-1][j-1]+1；

若a[i]!=b[j]，则a[i]、b[j]不能同时属于公共子序列：

a[i]不属于公共子序列：f[i][j]由f[i-1][j]转移而来，f[i][j]=f[i-1][j]；
b[j]不属于公共子序列：f[i][j]由f[i][j-1]转移而来，f[i][j]=f[i][j-1]；
a[i]、b[j]都不属于公共子序列：f[i][j]=f[i-1][j-1]，这种决策可以舍去，因为只要f[i][j]发生了更新，都是由f[i-1][j-1]+1得到，其一定>f[i-1][j-1]；

该情形下舍去最后一项决策后，f[i][j]=max(f[i-1][j], f[i][j-1]);

综上所述，状态转移方程为：

$gif.latex?f%5Bi%5D%5Bj%5D%3D%5Cleft%5C%7B%5Cbegin%7Bmatrix%7D%20f%5Bi-1%5D%5Bj-1%5D+1%2C%20a%5Bi%5D%3Db%5Bi%5D%5C%5C%20max%28f%5Bi%5D%5Bj-1%5D%2Cf%5Bi-1%5D%5Bj%5D%29%2C%20a%5Bi%5D%5Cneq%20b%5Bi%5D%20%5Cend%7Bmatrix%7D%5Cright.$

f[a.length][b.length]即为最终要求得的结果，示例代码如下：

	public int Lcs(int[] a, int[] b) {
		int[][] f = new int[a.length+1][b.length+1];
		for(int i=1;i<=a.length;++i) {
			for(int j=1;j<=b.length;++j) {
				if(a[i-1]==b[j-1])
					f[i][j]=f[i-1][j-1]+1;
				else
					f[i][j]=Math.max(f[i-1][j], f[i][j-1]);
			}
		}
		return f[a.length()][b.length()];
	}

上面的代码需要两重循环，时间复杂度为 $gif.latex?O%28n%5E2%29$ 。

2、LCS问题的优化

当序列a中的元素都互不相同的时候，LCS存在一种优化方案，即将其转化为LIS问题求解，而LIS问题可以优化到O(nlogn)的时间复杂度内解决（最长上升子序列（LIS）问题的解决及优化）。那么如何将LCS问题转化为LIS呢，我们进行如下分析：

我们对序列a中的元素按其下标进行标号，因为a中的元素都互不相同，所以每个元素的标号都是唯一的且递增的。而最长公共子序列它属于a的子序列，那么它的元素的标号也是递增的，同时它也属于b的子序列，反过来说也就是当b的某个子序列按a的标号方式呈递增的时候，它也属于a的子序列，即它是a、b的公共子序列。我们可以对b中的元素按a的标号方式标号，剩下的就是从里面寻找递增子序列，又要找最长的那个，那问题就变成了最长上升子序列即LIS问题。

例：a：6 4 8 1 3 2 ，b：4 7 6 2 3 8 6 1

标号为: 0 1 2 3 4 5，则序列b变为：1 0 5 4 2 0 3

标号后的b序列的最长上升子序列为：0 2 3，1 2 3

对应在序列a中得到最长公共子序列为：6 8 1，4 8 1

	public int LCS(int[] a, int[] b) {
		HashMap<Integer,Integer> map = new HashMap<>();
		for(int i=0;i<a.length;++i)
			map.put(a[i],i);
		ArrayList<Integer> tmp = new ArrayList<>();
		for(int i=0;i<b.length;++i) {
			if(map.containsKey(b[i]))
				tmp.add(map.get(b[i]));
		}
		//借助二分优化的LIS得到结果
		return LIS(tmp.stream().mapToInt(Integer::intValue).toArray());
	}

3、最长公共子串问题

最长公共子串问题的描述为：给定两个字符串a和b，输出两个字符串的最长公共子串（最长公共子串存在且唯一）。

该问题与最长公共子序列问题属于同种类型，其区别仅在于一个是子串要求连续，另一个是子序列不要求连续。所以其状态表示与状态转移与LCS问题是几乎一样的，我们以f[i][j]表示以a中i位置结尾、b中j位置结尾的最长公共子串长度，对于状态f[i][j]，其可能由以下决策转移而来：

若a[i]=b[j]，则a[i]、b[j]同时属于公共子串：

f[i][j]由f[i-1][j-1]转移而来，f[i][j]=f[i-1][j-1]+1；

若a[i]!=b[j]，破坏了公共子串的连续性，则a[i]、b[j]都不属于公共子串：

f[i][j]=0；

综上，状态转移方程为：

$gif.latex?f%5Bi%5D%5Bj%5D%3D%5Cleft%5C%7B%5Cbegin%7Bmatrix%7D%20f%5Bi-1%5D%5Bj-1%5D+1%20%26%20a%5Bi%5D%3Db%5Bj%5D%5C%5C%200%20%26%20a%5Bi%5D%5Cneq%20b%5Bj%5D%20%5Cend%7Bmatrix%7D%5Cright.$

    public String LCS (String s1, String s2) {
        int dp[][] = new int[s1.length()+1][s2.length()+1];
        int max = 0, ans = 0;
        for(int i=1;i<=s1.length();++i){
            for(int j=1;j<=s2.length();++j){
                if(s1.charAt(i-1)==s2.charAt(j-1))
                    dp[i][j]=dp[i-1][j-1]+1;
                else dp[i][j]=0;
                if(dp[i][j]>max){
                    max = dp[i][j];
                    ans = i;
                }
            }
        }
        return s1.substring(ans-max,ans);
    }