5.最长回文子串
动态规划思路:
1.定义状态
动态规划实际上就是记录每个状态,每个状态受到之前状态影响。所以,需要定义一个数组(记录每个状态)。这里定义二维数组dp,最小状态dp[i][j]就是记录从第i+1到第j+1的子串是否为回文子串。
2.确定临界状态
很容易就能看出每个字符都相当于一个长度为1的回文子串。所以二维数组对角线元素值都为1。
3.确定状态转移方程
dp[j][i]==(s[i]==s[j])&&dp[j+1][i-1]
代码如下
class Solution {
public String longestPalindrome(String s) {
if(s.length()==0)
{
return "";
}
boolean [][]dp=new boolean[s.length()][s.length()];
for(int i=0;i<s.length();i++)
{
dp[i][i]=true;//把对角线元素都设为true,因为每个字符也可以当成回文子串
}
int maxlen=1;
int b=0;
for(int i=0;i<s.length();i++)
{
for(int j=0;j<i;j++)
{
if(s.charAt(i)==s.charAt(j))
{
if(i-j>2)
{
dp[j][i]=dp[j+1][i-1];
}
else
{
dp[j][i]=true;
}
}
else
{
dp[j][i]=false;
}
if(dp[j][i])
{
if(i-j+1>maxlen)
{
b=j;
maxlen=i-j+1;
}
}
}
}
return s.substring(b,b+maxlen);//返回最长回文子串
}
}
时间复杂度:O(N^2)
空间复杂度:O(N^2)
),二维 dp 问题,一个状态得用二维有序数对表示,因此空间复杂度是 O(N^2)。
4.改进
中心扩散
假设字符串的某个字符是回文子串的中心,尝试从此点开始向两端扩散。如果子串是偶数子串,该中心就是这个回文子串的字符间的空隙。若是奇数子串,就是字符。
因此中心扩散法的思路是:遍历每一个索引,以这个索引为中心,利用“回文串”中心对称的特点,往两边扩散,看最多能扩散多远。
代码实现
public class Solution {
public String longestPalindrome(String s) {
int len = s.length();
if (len < 2) {
return s;
}
int maxLen = 1;
String res = s.substring(0, 1);
// 中心位置枚举到 len - 2 即可,因为中心位置只可能是下标1到len-2。下标0和len-1是无法向两端扩散的
for (int i = 0; i < len - 1; i++) {
String os = centerSpread(s, i, i);
String es = centerSpread(s, i, i + 1);
String maxLenStr = os.length() > es.length() ? os :es;//找到是奇数子串长度长还是偶数子串长度长
if (maxLenStr.length() > maxLen) {
maxLen = maxLenStr.length();
res = maxLenStr;
}
}
return res;
}
private String centerSpread(String s, int left, int right) {
// left = right 的时候,此时回文中心是一个字符,回文串的长度是奇数
// right = left + 1 的时候,此时回文中心是一个空隙,回文串的长度是偶数
int len = s.length();
int i = left;
int j = right;
while (i >= 0 && j < len) {
if (s.charAt(i) == s.charAt(j)) {
i--;
j++;
} else {
break;
}
}
// 不满足while条件,此时得到的最大满足条件的子串是下标为i+1到j-1的字符组成的,所以,substring方法的两个参数为i+1,j(substring方法不会截取第二个参数所在下标的字符)
return s.substring(i + 1, j);
}
}
时间复杂度:O(N^2),遍历每个可能的中心时间复杂度为O(N),而在centerSpread中,向两端扩撒的时间复杂度为O(N)。因此总时间复杂度为 O(N^2)。
空间复杂度:O(1),只使用到常数个临时变量,与字符串长度无关。
53.最大子序和
动态规划思路:
1.定义状态
dp[i]为以下标为i的元素结束的子序中元素相加最大的子序的元素和。
2.确定临界状态
dp[0]=下标为0的元素的值
3.确定状态转移方程
dp[i]=max(dp[i-1]+nums[i],nums[i])//nums[i]为下标为i的元素
代码如下
class Solution {
public int maxSubArray(int[] nums) {
int []dp=new int[nums.length];//定义dp数组记录状态
dp[0]=nums[0];
int max=dp[0];
for(int i=1;i<nums.length;i++)
{
dp[i]=Math.max(dp[i-1]+nums[i],nums[i]);//状态转义方程
max=Math.max(max,dp[i]);
}
}
return max;
}
时间复杂度:O(N)
空间复杂度:O(N)
4.改进
动态规划实际上就是空间换时间,所以空间复杂度相对较大。但是一些情况下可以改进空间复杂度,如本题而言,由于状态转移方程为max(dp[i-1]+nums[i],nums[i]),每个状态都和前一个状态相关。那么,就可以定义一个变量记录前一状态的值(dp[i-1])。这样空间复杂度就由O(N)变为了O(1)。
class Solution {
public int maxSubArray(int[] nums) {
int ans = nums[0];
int sum = 0;
for(int num: nums) {
if(sum > 0) {//即dp[i-1]+nums[i]>nums[i]
sum += num;
} else {
sum = num;
}
ans = Math.max(ans, sum);
}
return ans;
}
}
时间复杂度:O(N)
空间复杂度:O(1)
62.不同路径
动态规划思路:
1.定义状态
dp[i][j]表示从起点到第i+1行j+1列路径数
2.定义临界状态
由题意可知,从某点开始行进只能向下或向右走(只能从一个点的左边或上边来到该点)。而在第一行,只能从其左边的点走至该点。在第一列,只能从该点上面的点来到此点。
所以对于第一行元素dp[0][i],都有dp[0][i]=1,对应的,对于第一列元素dp[i][0],都有dp[i][0]=1。
3.定义状态转换方程
dp[i][j]=dp[i-1][j]+dp[i]j-1
代码如下
class Solution {
public int uniquePaths(int m, int n) {//n为行数,m为列数
int [][]dp=new int[n][m];
for(int i=0;i<m;i++)
{
dp[0][i]=1;
}
for(int i=0;i<n;i++)
{
dp[i][0]=1;
}
for(int i=1;i<n;i++)
{
for(int j=1;j<m;j++)
{
dp[i][j]=dp[i-1][j]+dp[i][j-1];
}
}
return dp[n-1][m-1];
}
}
时间复杂度:O(m*n)
空间复杂度:O(m*n)