算法 ---- 子序列系列问题题解(子序列编辑距离回文系列问题)

Posted TheWhc

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了算法 ---- 子序列系列问题题解(子序列编辑距离回文系列问题)相关的知识,希望对你有一定的参考价值。

子序列(不连续)

300. 最长递增子序列

/**
 *  思路: 动态规划
 *  1. 确定dp数组以及下标含义
 *     dp[i]: 表示包含下标i在内的最长递增子序列
 *  2. 确定递推公式
 *     位置i的最长上升子序列等于j从0到i-1各个位置的最长上升子序列+1的最大值
 *     if(nums[i] > nums[j])
 *        dp[i] = Math.max(dp[i], dp[j]+1)
 *  3. 初始化
 *     每一个dp[i]至少都是1
 *  4. 确定遍历顺序
 *     i是从前往后遍历
 *     j是从0开始到i-1遍历
 *  5. 举例推导dp数组
 *     [0, 1, 0, 3, 2]
 *  i=1  1  2  1  1  1
 *  i=2  1  2  1  1  1
 *  i=3  1  2  1  3  1
 *  i=4  1  2  1  3  3
 *
 *  时间: O(n^2)
 *  空间: O(n)
 */
public int lengthOfLIS(int[] nums) {
   int[] dp = new int[nums.length];
   Arrays.fill(dp, 1);
   int res = 1;
   for (int i = 1; i < nums.length; i++) {
      for (int j = 0; j < i; j++) {
         if(nums[i] > nums[j])
            dp[i] = Math.max(dp[i], dp[j]+1);
      }
      // 取长的子序列
      res = Math.max(res, dp[i]);
   }
   return res;
}
/**
 *  思路: 贪心
 *  
 *  二分插入法
 *
 *  1. 对原序列进行遍历,将每位元素二分插入dp数组中
 *     - 如果dp数组中元素都比它小,将它插到最后
 *     - 否则,用它覆盖掉比它大的元素中最小的那个
 *
 *  2. dp数组未必是真实的最长上升子序列,但长度是对的
 *
 *  时间: O(nlogn)
 *  空间: O(n)
 */
public int lengthOfLIS(int[] nums) {
   // dp数组是递增的
   int[] dp = new int[nums.length];
   dp[0] = nums[0];
   // dp数组最后一个元素的下标,即dp中最大元素的下标
   int end = 0;
   for (int i = 1; i < nums.length; i++) {
      int num = nums[i];

      // 当前元素大于dp数组最后一个元素,则直接插入到后面
      if(num > dp[end]) {
         dp[++end] = num;
         continue;
      }

      // 二分找到比num元素大的元素中最小的那个
      int left = 0;
      int right = end;
      while(left < right) {
         int mid = left + (right - left) / 2;
         if(dp[mid] < num) {
            left = mid + 1;
         } else {
            // 注意这里的right = mid
            right = mid;
         }
      }
      dp[left] = num;
   }

   return end+1;
}

1143. 最长公共子序列

/**
 *  思路: 动态规划
 *
 *  1. 确定dp数组以及下标含义
 *     dp[i][j]表示s1包含下标i在内的子串和s2包含下标j在内的子串的最长公共子序列
 *  2. 确定递推公式
 *     if(s1[i] == s2[j]) {
 *           dp[i][j] = dp[i-1][j-1] + 1
 *     } else {
 *        dp[i][j] = Math.max(dp[i-1][j], dp[i][j-1])
 *     }
 *
 *  3. 初始化
 *     i=0时, dp[0][j] = 0
 *     j=0时, dp[i][0] = 0
 *  4. 遍历顺序
 *     外层遍历s1,内层遍历s2
 *
 *  时间: O(n * m)
 *  空间: O(n * m)
 */
/*public int longestCommonSubsequence(String text1, String text2) {
   int m = text1.length();
   int n = text2.length();
   int[][] dp = new int[m+1][n+1];

   for (int i = 1; i <= m; i++) {
      for (int j = 1; j <= n; j++) {
         if(text1.charAt(i-1) == text2.charAt(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];
}*/

// 动态规划 + 空间优化
// 时间: O(n * m)
// 空间: O(n)
public int longestCommonSubsequence(String text1, String text2) {
   int m = text1.length();
   int n = text2.length();
   int[] dp = new int[n+1];
   int leftUp = 0;
   for (int i = 1; i <= m; i++) {
      for (int j = 1; j <= n; j++) {
         int temp = dp[j];
         if(text1.charAt(i-1) == text2.charAt(j-1)) {
            dp[j] = leftUp + 1;
         } else {
            dp[j] = Math.max(dp[j], dp[j-1]);
         }
         leftUp = temp;
      }
      leftUp = 0;
   }

   return dp[n];
}

1035. 不相交的线

/**
 *  思路: 动态规划
 *  1. 确定dp数组以及下标含义
 *     dp[i][j]表示s1中包含下标i在内的元素和s2中包含下标j在内的元素的最多相同元素
 *  2. 确定递推公式
 *     if(nums[i] == nums[j]) {
 *        dp[i][j] = dp[i-1][j-1] + 1
 *     } else {
 *        dp[i][j] = Math.max(dp[i-1][j], dp[i][j-1])
 *     }
 *  3. 初始化
 *     i=0时,dp[0][j] = 0
 *     j=0时,dp[i][0] = 0
 *  4. 遍历顺序
 *     外层先遍历nums1,内层遍历nums2
 *
 *  时间: O(n*m)
 *  空间: O(n*m)
 *
 */
/*public int maxUncrossedLines(int[] nums1, int[] nums2) {
   int n = nums1.length;
   int m = nums2.length;
   int[][] dp = new int[n+1][m+1];

   for (int i = 1; i <= n; i++) {
      for (int j = 1; j <= m; j++) {
         if(nums1[i-1] == nums2[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[n][m];
}*/

// 动态规划 + 空间优化
// 时间: O(n*m)
// 空间: O(m)
public int maxUncrossedLines(int[] nums1, int[] nums2) {
   int n = nums1.length;
   int m = nums2.length;
   int[] dp = new int[m+1];
   int leftUp = 0;

   for (int i = 1; i <= n; i++) {
      for (int j = 1; j <= m; j++) {
         int temp = dp[j];
         if(nums1[i-1] == nums2[j-1]) {
            dp[j] = leftUp + 1;
         } else {
            dp[j] = Math.max(dp[j], dp[j-1]);
         }
         leftUp = temp;
      }
      leftUp = 0;
   }

   return dp[m];
}

子序列(连续)

674. 最长连续递增序列

贪心

/**
 *  思路: 贪心
 *  1. 遍历数组,统计连续增长的子序列长度
 *  2. 一旦遇到不连续的元素,则重新开始统计
 *
 *  时间: O(n)
 *  空间: O(1)
 */
public int findLengthOfLCIS(int[] nums) {
   int res = 1;
   int lenOfChild = 1;
   for (int i = 1; i < nums.length; i++) {
      if(nums[i] > nums[i-1]) {
         lenOfChild++;
      } else {
         // 重新开始统计
         lenOfChild = 1;
      }
      res = Math.max(res, lenOfChild);
   }
   return res;
}

动态规划

/**
 *  思路: 动态规划
 *  1. 确定dp数组以及下标含义
 *     dp[i]表示包含下标i在内的最长连续递增序列
 *  2. 确定递推公式
 *     if(nums[i] == nums[i-1]) {
 *        dp[i] = dp[i-1] + 1;
 *     } else {
 *        dp[i] = 1;
 *     }
 *  3. 初始化
 *     dp[0] = 1
 *  4. 遍历顺序
 *     从前往后遍历
 *
 *  时间: O(n)
 *  空间: O(n)
 */
/*public int findLengthOfLCIS(int[] nums) {
   int[] dp = new int[nums.length];

   dp[0] = 1;

   int res = 1;

   for (int i = 1; i < nums.length; i++) {
      if(nums[i] > nums[i-1]) {
         dp[i] = dp[i-1] + 1;
      } else {
         dp[i] = 1;
      }
      res = Math.max(res, dp[i]);
   }

   return res;
}*/

// 动态规划 + 空间优化
// 时间: O(n)
// 空间: O(1)
public int findLengthOfLCIS(int[] nums) {
   int dp = 1;

   int res = 1;

   for (int i = 1; i < nums.length; i++) {
      if(nums[i] > nums[i-1]) {
         dp = dp + 1;
      } else {
         dp = 1;
      }
      res = Math.max(res, dp);
   }

   return res;
}

718. 最长重复子数组

/**
 *  思路: 动态规划
 *  1. dp[i][j] : 表示nums1中包含下标i在内的数组元素和nums2中包含下标j在内的数组元素最长重复子数组(连续的)
 *  2. if(nums1[i-1] == nums2[j-1]) {
 *      dp[i][j] = dp[i-1][j-1] + 1;
 *  }
 *  3. dp[0][j] = 0, dp[i][0] = 0
 *  4. 外层遍历nums1,内层遍历nums2
 *
 *  时间: O(n*m)
 *  空间: O(n*m)
 */
/*public int findLength(int[] nums1, int[] nums2) {
   int n = nums1.length;
   int m = nums2.length;

   int[][] dp = new int[n+1][m+1];

   int res = 0;

   for (int i = 1; i <= n; i++) {
      for (int j = 1; j <= m; j++) {
         if(nums1[i-1] == nums2[j-1]) {
            dp[i][j] = dp[i-1][j-1] + 1;
         }

         res = Math.max(res, dp[i][j]);
      }
   }
   return res;
}*/

// 动态规划 + 空间优化
// 时间: O(n*m) 空间: O(m)
// 注意: nums2应该从后往前遍历, 如果从前往后遍历, 会出现覆盖问题
public int findLength(int[] nums1, int[] nums2) {
   int n = nums1.length;
   int m = nums2.length;

   int[] dp = new int[m+1];

   int res = 0;

   for (int i = 1; i <= n; i++) {
      for (int j = m; j > 0; j--) {
         if(nums1[i-1] == nums2[j-1]) {
            dp[j] = dp[j-1] + 1;
         } else {
            // 注意这里不相等要等于0
            dp[j] = 0;
         }
         res = Math.max(res, dp[j]);
      }
   }

   return res;
}

53. 最大子序和

贪心

/**
 *  思路: 贪心
 *  遍历数组,如果出现sumOfChild < 0, 则开始重新计算连续子序和
 *  注意sumOfChild要写在第一步进行判断,这样当出现[-2,-1,-4]时, 每次重新计算连续子序和, 都能把当前元素纳入计算范围
 *
 *  时间: O(n)
 *  空间: O(1)
 */
public int maxSubArray(int[] nums) {
   int sumOfChild = nums[0];

   int res = nums[0];

   for (int i = 1; i < nums.length; i++) {
      if(sumOfChild < 0) {
         sumOfChild = 0;
      }
      sumOfChild += nums[i];
      res = Math.max(res, sumOfChild);
   }

   return res;
}

动态规划

/**
 *  思路: 动态规划
 *  1. dp[i]表示包含下标i在内的最大子序和
 *  2. if(dp[i-1] < 0) {
 *         dp[i] = nums[i];
 *     } else {
 *         dp[i] = dp[i-1] + nums[i];
 *     }
 *  3. 初始化
 *     dp[0] = nums[0]
 *  4. 遍历顺序
 *     从前往后遍历
 *
 *  时间: O(n)
 *  空间: O(n)
 */
/*public int maxSubArray(int[] nums) {
   int[] dp = new int[nums.length];
   dp[0] = nums[0];
   int res = nums[0];

   for (int i = 1; i < nums.length; i++) {
      if(dp[i-1] < 0) {
         dp[i] = nums[i];
      } else {
         dp[i] = dp[i-1] + nums[i];
      }
      res = Math.max(res, dp[i]);
   }

   return res;
}*/

// 动态规划 + 空间优化
// 时间: O(n)
// 空间: O(1)
public int maxSubArray(int[] nums) {
   int dp = nums[0];
   int res = nums[0];

   for (int i = 1; i < nums.length; i++) {
      if(dp < 0) {
         dp = nums[i];
      } else {
         dp = dp + nums[i];
      }
      res = Math.max(res, dp);
   }

   return res;
}

编辑距离

392. 判断子序列

双指针法

/**
 * 思路: 双指针法
 *  1. 指针i指向s, 指向j指向t
 *  2. 不断移动指针j,一直遍历到结束,除非i指针已到达s末尾
 *  3. 若指针i和指针j指向的字符匹配时,则i++
 *
 *  时间: O(n+m)
 *  空间: O(1)
 */
public boolean isSubsequence(String s, String t) {
   int n = s.length();
   int m = t.length();

   int i = 0;
   int j = 0;

   while(i < n && j < m) {
      if(s.charAt(i) == t.charAt(j)) {
         i++;
      }
      if(i == s.length()) {
         break;
      }
      j++;
   }

   return i == n;
}

动态规划

/**
 *  思路: 动态规划
 *  1. dp[i][j]: 表示s包含下标i在内的子串和t包含下标j在内的子串的相同子序列长度
 *  2. if(s[i] == t[j]) {
 *            dp[i][j] = dp[i-1][j-1] + 1;
 *     } else {
 *            // 不匹配时,相当于t要删除元素,继续匹配
 *         dp[i][j] = dp[i][j-1];
 *     }
 *  3. dp[0][j] = 0, dp[i][0] = 0
 *  4. 外层遍历s,内层遍历t
 *
 *  时间: O(n * m)
 *  空间: O(n * m)
 */
public boolean isSubsequence(String s, String t) {
   int n = s.length();
   int m = t.length();

   int[][] dp = new int[n+1][m+1];

   for (int i = 1; i <= n; i++) {
      for (int j = 1; j <= m; j++) {
         if(s.charAt(i-1) == t.charAt(j-1)) {
            dp[i][j] = dp[i-1][j-1] + 1;
         } else {
            dp[i][j] = dp[i][j-1];
         }
      }
   }

   return dp[n][m] == n;
}

115. 不同的子序列

/**
 *  思路: 动态规划
 *  1. 确定dp数组以及下标含义
 *     dp[i][j] : 以i-1为结尾的s子序列中出现以j-1为结尾的t的个数为dp[i][j]
 *  2. 确定递推公式
 *     if(s[i] == t[j]) {
 *        dp[i][j] = dp[i-1][j-1] + dp[i-1][j];
 *        // dp[i-1][j-1]表示匹配s[i]和t[j], dp[i-1][j]表示不匹配s[i]和t[j]
 *        // 比如baegg 和 bag, 求dp[5][3]时, 匹配最后一个字符,s可以组成bag, 不匹配最后一个字符,s也可以组成bag
 *     } else {
 *        dp[i][j] = dp[i-1][j];
 *     }
 *
 *  3. 确定遍历顺序
 *     外层遍历s,内层遍历t
 *
 *  4. 初始化
 *     i=0时, 除了dp[0][0]外, dp[0][j]一定都为0, 因为空字符串s无论如何都无法组成t
 *     j=0时, dp[i][0]一定都为1, 因为字符串s可以删除全部字符,组成空字符串t
 *
 *  时间: O(n*m)
 *  空间: O(n*m)
 */
/*public int numDistinct(String s, String t) {
   int n = s.length();
   int m = t.length();

   int[][] dp = new int[n+1][m+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++) {
         if(s.charAt(i-1) == t.charAt(j-1)) {
            dp[i][j] = dp[i-1][j-1] + dp[i-1][j];
         } else {
            dp[i][j] = dp[i-1][j];
         }
      }
   }

   return dp[n][m];
}*/

// 动态规划 + 空间压缩
// 时间: O(n * m)
// 空间: O(m)
public int numDistinct(String s, String t) {
   int n = s.length();
   int m = t.length();

   int[] dp = new int[m+1];

   dp[0] = 1;
   int leftUp = dp[0];

   for (int i = 1; i <= n; i++) {
      for (int j = 1; j <= m; j++) {
         int temp = dp[j];
         if(s.charAt(i-1) == t.charAt(j-1)) {
            dp[j] = leftUp + dp[j];
         }
         leftUp = temp;
      }
      leftUp = dp[0];
   }

   return dp[m];
}

583. 两个字符串的删除操作

/**
 *  思路: 动态规划
 *
 *  1. 确定dp数组以及下标含义
 *     dp[i][j]:表示word1[i]和word2[j]达到相等,所需要删除元素的最少次数
 *  2. 确定递推公式
 *     if(word1[i] == word2[j]) {
 *        dp[i][j] = dp[i-1][j-1];
 *     } else {
 *        // 分三种情况
 *        // ① 删word1[i],最少操作数 = dp[i-1][j] + 1
 *        // ② 删word2[j],最少操作数 = dp[i][j-1] + 1
 *        // ③ 同时删word1[i]和word2[j],最少操作数 = dp[i-1][j-1] + 2
 *        dp[i][j] = Math.min(Math.min(dp[i-1][j]+1, dp[i][j-1]+1),dp[i-1][j-1]+2);
 *     }
 *  3. 初始化
 *     dp[0][j] = j;
 *     dp[i][0] = i;
 *  4. 遍历顺序
 *     先遍历word1,后遍历word2
 *
 *  5. 举例推导dp数组
 *     比如"sea"和"eat"
 *      e a t
 *    0 1 2 3
 *  s 1 2 3 4
 *  e 2 1 2 3
 *  a 3 2 1 2
 *
 *  时间: O(n*m)
 *  空间: O(n*m)
 */
/*public int minDistance(String word1, String word2) {
   int n = word1.length();
   int m = word2.length();

   int[][] dp = new int[n+1][m+1];

   for (int i = 0; i <= n; i++) {
      dp[i][0] = i;
   }
   for (int j = 0; j <= m; j++) {
      dp[0][j] = j;
   }

   for (int i = 1; i <= n; i++) {
      for (int j = 1; j <= m; j++) {
         if(word1.charAt(i-1) == word2.charAt(j-1)) {
            dp[i][j] = dp[i-1][j-1];
         } else {
            dp[i][j] = Math.min(Math.min(dp[i-1][j]+1, dp[i][j-1]+1),dp[i-1][j-1]+2);
         }
      }
   }

   return dp[n][m];
}*/

// 动态规划 + 空间优化
// 时间: O(n*m)
// 空间: O(m)
public int minDistance(String word1, String word2) {
   int n = word1.length();
   int m = word2.length();

   int[] dp = new int[m+1];

   for (int i = 0; i <= m; i++) {
      dp[i] = i;
   }

   int leftUp = dp[0];

   for (int i = 1; i <= 

以上是关于算法 ---- 子序列系列问题题解(子序列编辑距离回文系列问题)的主要内容,如果未能解决你的问题,请参考以下文章

算法 ---- 子序列系列问题题解(子序列编辑距离回文系列问题)

动态规划线性dp问题总结:数字三角形最长上升子序列最长公共子序列最短编辑距离 题解与模板

最长递归子序列最长公共字串最长公共子序列编辑距离

算法---动态规划(编辑距离不同子序列动态规划总结)

动态规划的设计思想与实例(最大子段和最长公共子序列0-1背包编辑距离)

最长递增子序列 && 最大子序列最长递增子序列最长公共子串最长公共子序列字符串编辑距离