1143. 最长公共子序列
题目链接:1143. 最长公共子序列
思路:动态规划五步曲:
-
dp
[
i][
j]
:长度为[0, i - 1]的字符串text1与长度为[0, j - 1]的字符串text2的最长公共子序列的长度为dp[
i][
j]
。 -
递推公式:
主要是两种情况:text1[i - 1] 与 text2[j - 1]相同,text1[i - 1] 与 text2[j - 1]不相同
① 如果text1[i - 1] 与 text2[j - 1]相同,那么找到了一个公共元素,所以dp
[
i][
j]
= dp[
i - 1][
j - 1]
+ 1;② 如果text1[i - 1] 与 text2[j - 1]不相同,那就看看text1[0, i - 2]与text2[0, j - 1]的最长公共子序列 和 text1[0, i - 1]与text2[0, j - 2]的最长公共子序列,取最大的,即dp
[
i][
j]
= max(dp[
i - 1][
j]
, dp[
i][
j - 1]
)。 -
初始化:统一初始为0。
先看看dp
[
i][
0]
应该是多少呢?test1[0, i - 1]和空串的最长公共子序列自然是0,所以dp
[
i][
0]
= 0;同理dp
[
0][
j]
也是0。其他下标都是随着递推公式逐步覆盖,初始为多少都可以,那么就统一初始为0。
-
遍历顺序:从递推公式,可以看出,有三个方向可以推出dp
[
i][
j]
,如图:那么为了在递推的过程中,这三个方向都是经过计算的数值,所以要从前向后,从上到下来遍历这个矩阵。
-
举例推导dp数组
以输入:text1 = “abcde”, text2 = “ace” 为例,dp状态如图:
最后红框dp
[
text1.length()][
text2.length()]
为最终结果。
class Solution {
public int longestCommonSubsequence(String text1, String text2) {
char[] arr1 = text1.toCharArray();
char[] arr2 = text2.toCharArray();
int[][] dp = new int[arr1.length + 1][arr2.length + 1];
for (int i = 1; i <= arr1.length; i++) {
for (int j = 1; j <= arr2.length; j++) {
if (arr1[i - 1] == arr2[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[arr1.length][arr2.length];
}
}
1035. 不相交的线
题目链接:1035. 不相交的线
思路:绘制一些连接两个数字 A[i] 和 B[j] 的直线,只要 A[i] == B[j],且直线不能相交!
直线不能相交,这就是说明在字符串A中找到一个与字符串B相同的子序列,且这个子序列不能改变相对顺序,只要相对顺序不改变,连接相同数字的直线就不会相交。
本题说是求最大的连线个数,其实本质上就是求两个数列最长公共子序列长度。
动态规划分析过程与上一题完全相同。
class Solution {
public int maxUncrossedLines(int[] nums1, int[] nums2) {
int[][] dp = new int[nums1.length + 1][nums2.length + 1];
for (int i = 1; i <= nums1.length; i++) {
for (int j = 1; j <= nums2.length; 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[nums1.length][nums2.length];
}
}
53. 最大子序和
题目链接:53. 最大子序和
思路:动态规划五步曲:
-
dp[i]:包括下标i(以nums[i]为结尾)的最大连续子序列和为dp[i]。
-
递推公式:dp[i] = max(dp[i - 1] + nums[i], nums[i])
dp[i]只有两个方向可以推出来:
① dp[i - 1] + nums[i],即:nums[i]加入当前连续子序列和
② nums[i],即:从头开始计算当前连续子序列和
一定是取最大的。
-
初始化:dp[0] = nums[0]
-
遍历顺序:递推公式中dp[i]依赖于dp[i - 1]的状态,需要从前向后遍历。
-
举例推导dp数组
输入:nums = [-2,1,-3,4,-1,2,1,-5,4],对应的dp状态如下:
注意最后的结果可不是dp[nums.length - 1]! 而是dp[6]。
在回顾一下dp[i]的定义:包括下标i(以nums[i]为结尾)的最大连续子序列和为dp[i]。
那么要找最大的连续子序列,就应该找每一个i为终点的连续最大子序列。
所以在递推公式的时候,可以直接选出最大的dp[i]。
class Solution {
public int maxSubArray(int[] nums) {
int[] dp = new int[nums.length];
dp[0] = nums[0];
int res = dp[0];
for (int i = 1; i < nums.length; i++) {
dp[i] = Math.max(dp[i - 1] + nums[i], nums[i]);
if (dp[i] > res) res = dp[i];
}
return res;
}
}
贪心算法解法代码:
class Solution {
public int maxSubArray(int[] nums) {
int res = Integer.MIN_VALUE;
int sum = 0;
for (int i = 0; i < nums.length; i++) {
sum += nums[i];
// 取区间累计的最大值(相当于不断确定最大子序终止位置)
res = Math.max(res, sum);
// 相当于重置最大子序起始位置,因为遇到连续和为负数一定是拉低总和
if (sum <= 0) {
sum = 0;
}
}
return res;
}
}