题目
给定两个字符串 text1 和 text2,返回这两个字符串的最长公共子序列的长度。
一个字符串的 子序列 是指这样一个新的字符串:它是由原字符串在不改变字符的相对顺序的情况下删除某些字符(也可以不删除任何字符)后组成的新字符串。
例如,“ace” 是 “abcde” 的子序列,但 “aec” 不是 “abcde” 的子序列。两个字符串的「公共子序列」是这两个字符串所共同拥有的子序列。
若这两个字符串没有公共子序列,则返回 0。
示例 1:
输入:text1 = "abcde", text2 = "ace"
输出:3
解释:最长公共子序列是 "ace",它的长度为 3。
示例 2:
输入:text1 = "abc", text2 = "abc"
输出:3
解释:最长公共子序列是 "abc",它的长度为 3。
示例 3:
输入:text1 = "abc", text2 = "def"
输出:0
解释:两个字符串没有公共子序列,返回 0。
提示:
1 <= text1.length <= 1000
1 <= text2.length <= 1000
输入的字符串只含有小写英文字符。
思路 一 暴力
就是暴力递归,求出text1的所有子序列,然后和text2比较,得出最长的子序列。需要指数级的时间复杂度。求子序列的递归类似于前面的括号生成 的递归
思路二 动态规划
怎么使用动态规划
- 找到重复的子问题,把复杂的问题转换为简单的子问题
- 需要定义它的状态空间,从俩个字符串,变成二维的数组空间
- 求它的状态转移方程,并能合并子问题的解
- 得到递推公式(状态转移方程),然后自底向上进行递推,从初始值进行,得到最后的解
这里的动态规划步骤
- 建立二维dp数组
- dp[i][j]数组,存储的是字符串数组t1[i-1],t2[j-1]的最长子序列
- 当t1[i-1]==t2[j-1],说明这两个字符是公共的字符,只要考察其子问题,dp[i-1][j-1]的长度在此基础上+1
- 当不等于的话,不是公共的字符,就在dp[i][j-1] 和dp[i-1][j]上取最大值。
class Solution {
public int longestCommonSubsequence(String text1, String text2) {
if (text1 == null || text2 == null || text1.length() == 0 || text2.length() == 0) {
return 0;
}
char[] t1 = text1.toCharArray();
char[] t2 = text2.toCharArray();
int m = t1.length;
int n = t2.length;
int[][] dp = new int[m + 1][n + 1]; //dp数组的第0行和列都是0,可定义数组的初始值
for (int i = 1; i < m + 1; i++) { //这里面的俩个for循环的方程,把dp数组的初始值也定义了
for (int j = 1; j < n + 1; j++) {
if (t1[i-1] == t2[j-1]) {
dp[i][j] = dp[i - 1][j - 1] + 1;
} else {
dp[i][j] = Math.max(dp[i - 1][j], dp[i][j - 1]);
}
}
}
return dp[m][n];
}
}
复杂度分析
时间复杂度:O(mn)
空间复杂度:O(mn)
优化空间
来自作者:a-fei-8
用一维数组的dp
- last:表示是当前dp[j],原来是(dp[i][j])左上角的数,相当于dp[i-1][j-1],初始化的时候为0
- tmp:表示是当前dp[j],原来是(dp[i][j])正上方的数,相当于dp[i- 1][j]
- dp[j-1]:表示是当前dp[j],原来是(dp[i][j])左边的数,相当于dp[i][j-1]
- 每一轮结束后,last的值都向前滚动一个,变成正上方的数,也就是tmp
public int longestCommonSubsequence3rd(String text1, String text2) {
if (text1 == null || text2 == null ||
text1.length() == 0 || text2.length() == 0) return 0;
int m = text1.length(), n = text2.length();
int[] dp = new int[n + 1];
int tmp = 0;
for (int i = 1; i <= m; i++) {
int last = 0;
for (int j = 1; j <= n; j++) {
tmp = dp[j]; //这里的dp[j]是没改变前的,相当于上一组的,相当于正上方
if (text1.charAt(i - 1) == text2.charAt(j - 1)) dp[j] = last + 1;
else dp[j] = Math.max(tmp, dp[j - 1]); //这里dp[j-1]是改变的了,相当与左边
last = tmp; //这里就是上一组的dp[j]的正上方,然后下一次的dp[j+1],就是左上方
}
}
return dp[n];
}
空间复杂度:O(N)