动态规划之最长递增子序列 最长不重复子串 最长公共子序列

【前言】动态规划：与分治法相似，即通过组合子问题来求解原问题，不同的是分治法是将问题划分为互不相交的子问题，递归求解子问题，再将他们组合起来求出原问题的解。

动态规划则应用于子问题重叠的情况，通常用来求解最优化问题。这类问题可以有很多可行解，每个解都有一个值，我们希望寻找最优值的解。

通常有4个步骤来设计动态规划算法：

1.刻画一个最优解的结构特征。

2.递归地定义最优解的值。

3.计算最优解的值，通过采用自底向上的方法。

4.利用计算出的信息构造一个最优解。

【问题1】最长递增子序列问题

【问题描述】设L=<a1,a2,…,an>是n个不同的实数的序列，L的递增子序列是这样一个子序列Lin=<ak1,ak2,…,akm>，其中k1<k2<…<km且aK1<ak2<…<akm。求最大的m值。

采用一个数组temp[]保存 以当前元素结尾的最长递增子序列长度，最后求出全局最优解



更新最长递增子序列的条件：a[i]>a[j] (i>j) 且前一个递增序列长度大于等于当前[b]递增序列长度

[/b]

//动态规划过程是：每次决策依赖于当前状态，又随即引起状态的转移。
//最长递增子序列O(N^2)
public void longestIncreasingSubsequence2(int[] a){
int[] temp=new int[a.length];
temp[0]=1;
int max=0;
for(int i=1;i<a.length;i++){
temp[i]=1;
for(int j=0;j<i;j++){
if(a[i]>a[j]&&temp[i]<=temp[j]){//找出最大的temp[j](前一个最长递增子序列长度)temp[i]<=temp[j]
temp[i]=temp[j]+1;//更新最长递增子序列长度
}
}
max=Math.max(temp[i], max);
}
System.out.println(max);
}

【改进】考虑到在计算每个temp[i]时都要找到最大的，由于数组无序，所以每次都需要顺序查找。可以让数组有序那么就可以使用二分查找，从而算法复杂度就可以降到O(NlogN)。可以采用一个数组存储最大递增子序列的最末元素：即：B[ temp[j] ]=aj。

在数组B中用二分查找法找到满足j<i且B[f(j)]=aj<ai的最大的j,并将B[f[j]+1]置为ai。

//O(NlogN)解法
public void longestIncreasingSubsequence(int[] a){
/*
* 在计算每一个f(i)时，都要找出最大的f(j)(j<i)来，由于f(j)没有顺序，只能顺序查找满足aj<ai最大的f(j)，
* 如果能将让f(j)有序，就可以使用二分查找，这样算法的时间复杂度就可能降到O(nlogn)。
* 于是想到用一个
* 数组B来存储“子序列的”最大递增子序列的最末元素，
* 即有B[f(j)] = aj
*	在计算f(i)时，在数组B中用二分查找法找到满足j<i且B[f(j)]=aj<ai的最大的j,并将B[f[j]+1]置为ai。
*/
int[] temp=new int[a.length+1];
temp[0]=-100;
temp[1]=a[0];
int Len=1;
int p,r,m;//p,r,m分别为二分查找的上界，下界和中点；
for(int i = 1;i<a.length;i++)
{
p=0;r=Len;
while(p<=r)//二分查找最末元素小于ai+1的长度最大的最大递增子序列；
{
m = (p+r)/2;
if(temp[m]<a[i]) p = m+1;
else r = m-1;
}
temp[p] = a[i];//将长度为p的最大递增子序列的当前最末元素置为ai+1;
if(p>Len) Len++;//更新当前最大递增子序列长度；
}
System.out.println(Len);
}

【TreeSet解法】treeSet底层是使用红黑树实现，因此可以按照值的升序进行排序。

set.ceiling(i)返回set集合中比i大的最小元素。

public int lengthOfLIS2 (int[] nums) {
/*
                 * TreeSet是一个有序集合，TreeSet中的元素将按照升序排列，缺省是按照自然排序进行排列，
                 * 意味着TreeSet中的元素要实现Comparable接口。或者有一个自定义的比较器。
                 * 我们可以在构造TreeSet对象时，传递实现Comparator接口的比较器对象。
                 */
                         TreeSet<Integer> set = new TreeSet<>();
for(int i : nums) {
//Returns the least element in this set greater than or equal to the given element,
//or null if there is no such element.
Integer ceil = set.ceiling(i);
if(null != ceil) {
set.remove(ceil);
}
set.add(i);
}
return set.size();
}

【问题2】最长不重复子串问题

【问题描述】Given a string, find the length of the longest substring without repeating characters.

搜索过程如下：记录上一次最长子串起始位置last，然后进行下一次搜索。比较得到最长不重复子串

public int lengthOfLongestSubstring(String s) {
if(s.length()==0||s.length()==1)
return s.length();
char[] sArr=s.toCharArray();
int last=0;
int result=-1;
int[] dp=new int[sArr.length];
dp[0]=1;
for(int i=1;i<sArr.length;i++){
for(int j=i-1;j>=last;j--){
if(sArr[i]==sArr[j]){
last=j+1;//更新上一次最长子串起始位置
dp[i]=i-j;//最长不重复子串
break;
}else if(j==last){
dp[i]=dp[i-1]+1;//都不重复则更新最长不重复子串

}
}
result=Math.max(dp[i], result);
}
return result;
}

【问题3】两个序列的最长公共子序列

既然是经典的题目肯定是有优化空间的，并且解题方式是有固定流程的，这里我们采用的是矩阵实现，也就是二维数组，用来LCS的长度。

第一步：先计算最长公共子序列的长度。

第二步：根据长度，然后通过回溯求出最长公共子序列。

现有两个序列X={x1,x2,x3，...xi}，Y={y1,y2,y3，....，yi}，

设一个C[i,j]: 保存Xi与Yj的LCS的长度。

递推方程为：

//最长公共子序列
public int LCS(int[] a,int[] b){
int[][] temp=new int[a.length+1][b.length+1];
int result=0;int dp=0;
for(int i=1;i<=a.length;i++)
temp[i][0]=0;
for(int j=0;j<=b.length;j++)
temp[0][j]=0;
for(int k=1;k<=a.length;k++){
for(int l=1;l<=b.length;l++){
if(a[k-1]==a[l-1])
temp[k][l]=temp[k-1][l-1]+1;
else if(temp[k][l-1]<=temp[k-1][l])
temp[k][l]=temp[k][l-1];
else
temp[k][l]=temp[k-1][l];
result=Math.max(temp[k][l], result);
}
}
return result;
}

动态规划的一个重要性质特点就是解决“子问题重叠”的场景，可以有效的避免重复计算，根据上面的公式其实可以发现C[i,j]一直保存着当前(Xi,Yi)的最大子序列长度。

【总结】以上就是常见动态规划问题，关键就是把问题分解为若干子问题，找到决策条件，然后进行更新，从而得到问题的最优解。