算法-编辑距离(动态规划)
2018-03-05 17:53
120 查看
1.解题思路 这道题是典型的动态规划的题,也是比较简单的动态规划的题,在这里记录一下,一是要求自己不要松懈,二是弥补自己在动态规划上的不足。 我们在这道题上,处理每一个字符无非就是3种操作,增加字符、删除字符、替换字符。 首先,我们定义一个dp[word1.length() + 1][word2.length() + 1],其中dp[i][j]表示的意思就是,word1前i个字符变成word2前j个字符需要的步数。然后,我们分三种情况来谈论: (1).增加字符 假设word1的前i个字符到word2的前j - 1个字符已经转成了,也就是说dp[i][j - 1]已经被计算出来了,此时我们需要计算的是从 i 到j 需要的步数。可知dp[i][j] = dp[i][j - 1] + 1,我们只需要再增加一个word2[j]字符就行了。 (2).删除字符 假设word1的前i - 1个字符到word2的前j - 1字符已经转了, 也就是说dp[i - 1][j]已经被计算出来了,此时我们需要计算的是dp[i][j]的值。可知dp[i ][j] = dp[i - 1][j] + 1,直接删除第i个字符就行了。 (3).替换字符 替换字符分为两种情况,一个是word1[i] = word2[j]时,当前的dp[i][j] = dp[i - 1][j - 1]即可,因为word1[i] == word2[j],我们不需要进行任何的操作;而当word1[i] != word2[j]时,当前的dp[i][j] = dp[i - 1][j - 1] + 1,因为我们需要替换当前的字符。
public int minDistance(String word1, String word2) {
int dp[][] = new int[word1.length() + 1][word2.length() + 1];
for (int i = 0; i < word1.length() + 1; i++) {
// 从i个字符变成0个字符,需要i步(删除)
dp[i][0] = i;
}
for (int i = 0; i < word2.length() + 1; i++) {
// 当从0个字符变成i个字符,需要i步(增加)
dp[0][i] = i;
}
for (int i = 1; i < word1.length() + 1; i++) {
for (int j = 1; j < word2.length() + 1; j++) {
//当相同的时,dp[i][j] = dp[i - 1][j - 1]
if (word1.charAt(i - 1) == word2.charAt(j - 1)) {
dp[i][j] = dp[i - 1][j - 1];
} else {
//当不同的时候,我们需要求三种操作的最小值
//其中dp[i - 1][j - 1]表示的是替换,dp[i - 1][j]表示删除字符,do[i][j - 1]表示的是增加字符
dp[i][j] = 1 + Math.min(dp[i - 1][j - 1], Math.min(dp[i - 1][j], dp[i][j - 1]));
}
}
}
return dp[word1.length()][word2.length()];
}
public int minDistance(String word1, String word2) {
int dp[][] = new int[word1.length() + 1][word2.length() + 1];
for (int i = 0; i < word1.length() + 1; i++) {
// 从i个字符变成0个字符,需要i步(删除)
dp[i][0] = i;
}
for (int i = 0; i < word2.length() + 1; i++) {
// 当从0个字符变成i个字符,需要i步(增加)
dp[0][i] = i;
}
for (int i = 1; i < word1.length() + 1; i++) {
for (int j = 1; j < word2.length() + 1; j++) {
//当相同的时,dp[i][j] = dp[i - 1][j - 1]
if (word1.charAt(i - 1) == word2.charAt(j - 1)) {
dp[i][j] = dp[i - 1][j - 1];
} else {
//当不同的时候,我们需要求三种操作的最小值
//其中dp[i - 1][j - 1]表示的是替换,dp[i - 1][j]表示删除字符,do[i][j - 1]表示的是增加字符
dp[i][j] = 1 + Math.min(dp[i - 1][j - 1], Math.min(dp[i - 1][j], dp[i][j - 1]));
}
}
}
return dp[word1.length()][word2.length()];
}
相关文章推荐
- 算法_动态规划_编辑距离问题
- 编辑距离算法——动态规划
- 【动态规划】字符串编辑距离(Levenshtein距离)算法
- 算法:编辑距离问题(动态规划)
- 计算机算法--动态规划计算编辑距离
- 编辑距离和最长公共子序列(动态规划经典题)
- 高效比对,返回最短编辑距离算法匹配度最高的数据
- 51nod--1183 编辑距离(动态规划)
- 字符串的修改(动态规划-最短编辑距离)
- [python]My Unique JsonDiff算法——如何计算2个json串之间的差距并Diff出来(一):编辑距离(Levenshtein)算法
- 文本比较算法:编辑距离
- 高效比对,返回最短编辑距离算法匹配度最高的数据
- Google算法题:M-编辑距离
- 数组字符串那些经典算法:最大子序列和,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,最长不重复子串,最长回文子串 (转)
- java文本相似度计算(Levenshtein Distance算法(中文翻译:编辑距离算法))----代码和详解
- 最短编辑距离-动态规划
- 字符串相似度算法(编辑距离算法 Levenshtein Distance)
- 最短编辑距离算法(字符串比较)
- 经典算法 | 字符串最小编辑距离分析与证明
- [随笔]初步了解 Levenshtein Distance (Edit Distance) 编辑距离,字符相似度算法