221. 最大正方形（Maximal Square）

题解

动态规划

$dp[i][j]$表示以第$i$行，第$j$列处为右下角的最大正方形的边长。
仅当该位置为$1$时，才有可能存在正方形。且递推公式为：
$$dp[i][j]=min(dp[i-1][j-1],dp[i-1][j],dp[i][j-1])+1$$。
含义为若当前位置为$1$，则此处可以构成的最大正方形的边长，是其正上方，左侧，和左上界三者共同约束的，且为三者中的最小值加1。

1. 特判，若$matrix$为空，返回$0$
2. 初试化$matrix$的行$m$，列$n$，初始化$dp=[[0,\cdots ,0],\cdots ,[0,\cdots ,0]]$，维度为$(m+1)\ast (n+1)$，这样便于处理。初试化最大边长$res=0$。
3. 遍历$dp$数组，遍历行$i$，遍历区间$[1,m+1)$：
   • 遍历列$j$，遍历区间$[1,n+1)$：
     • 若$matrix[i-1][j-1]=="1"$，此时可能存在正方形：
       $$dp[i][j]=min(dp[i-1][j-1],dp[i-1][j],dp[i][j-1])+1$$
     • 并更新最大边长$res=max(res,dp[i][j])$
4. 返回面积$res\ast res$

例：

复杂度分析

• 时间复杂度：$O(m\ast n)$
• 空间复杂度：$O(m\ast n)$

Python

class Solution:
    def maximalSquare(self, matrix: List[List[str]]) -> int:
        if(not matrix):
            return 0
        m=len(matrix)
        n=len(matrix[0])
        res=0
        dp=[[0]*(n+1) for _ in range(m+1)]
        for i in range(1,m+1):
            for j in range(1,n+1):
                if(matrix[i-1][j-1]=="1"):
                    dp[i][j]=min(dp[i-1][j-1],dp[i-1][j],dp[i][j-1])+1
                    res=max(dp[i][j],res)
        return res*res

Java(待完成)

动态规划+空间优化

由动态规划的递推公式：
$$dp[i][j]=min(dp[i-1][j-1],dp[i-1][j],dp[i][j-1])+1$$。
可以得出当前位置的最大边长仅取决于上一行和左侧最大边长，因此可将空间优化到$O(n)$
借助$pre$来保存当前位置的左侧。
注意
$pre$的更新：

• 同一行时，若当前位置为$0$，需要将$pre$置为0。
• 换行时，需要置为$0$

具体看代码。

复杂度分析

• 时间复杂度：$O(m\ast n)$
• 空间复杂度：$O(n)$

Python

class Solution:
    def maximalSquare(self, matrix: List[List[str]]) -> int:
        if(not matrix):
            return 0
        m=len(matrix)
        n=len(matrix[0])
        res=0
        pre=0
        dp=[0]*(n+1) 
        for i in range(0,m):
            for j in range(1,n+1):
                tmp=dp[j]
                if(matrix[i][j-1]=="1"):
                    dp[j]=min(pre,dp[j-1],dp[j])+1
                    res=max(dp[j],res)
                else:
                    dp[j]=0
                pre=tmp
            pre=0
        return res*res

Java(待完成)