标签：
[TOC] ### 最长递归子序列
#### 题目
给定数组arr,返回arr中的最长递增子序列，如`arr=[2,1,5,3,6,4,8,9,7]`,返回的最长递增子序列为`[1,3,4,8,9]`
#### 题解思路
先用DP来求解子序列递增的最大长度，如arr的长度序列为`dp=[1,1,2,2,3,3,4,5,4]`，然后对这个长度序列dp从右到左遍历，得到最长递增子序列。
1. 求解长度序列，令dp[i]表示在以arr[i]这个数结尾的情况下，arr[0...i]中的最大递增子序列的长度。
则状态转移方程为:`dp[i]=max{dp[j]+1(0<=j<i,arr[j]<arr[i])}`
2. 然后遍历dp数组，从右向左,如`dp=[1,1,2,2,3,3,4,5,4]`，先找到最大值为5，索引为7，即‘9‘，前一个数则应该是4，索引为6，即‘8‘；重复该步骤即可；
该方法时间复杂度为O(N^2)
如果在求解dp数组的过程中采用二分查找来进行优化，可以将复杂度降低到O(N*logN)
```
class LIS
{
public:
LIS(vector<int> _nums) :nums(_nums){}
//获得最长递增子序列
vector<int> get_lis()
{
vector<int> len_dp = get_length();
vector<int> ret = solve_lis(len_dp);
return ret;
}
private:
vector<int> nums;
//dp求解长度
vector<int> get_length()
{
//状态转移方程为：dp[i]=max{dp[j]+1(0<=j<i,arr[j]<arr[i])}
vector<int> ret(nums.size(), 1);
for (int i = 0; i < nums.size(); i++)
{
for (int j = 0; j < i; j++)
{
if (nums[j] < nums[i])
ret[i] = max(ret[i], ret[j] + 1);
}
}
return ret;
}
//从右向左获取最长递增子序列
vector<int> solve_lis(vector<int> len_dp)
{
int len = 0;
int index = 0;
//先找到最大长度和索引
for (int i = 0; i < len_dp.size(); i++)
{
if (len_dp[i] > len)
{
len = len_dp[i];
index = i;
}
}
//从右向左遍历
vector<int> ret(len, 0);
ret[--len] = nums[index];
for (int i = index; i >= 0; i--)
{
if (nums[i] < nums[index] && len_dp[i] == len_dp[index] - 1)
{
ret[--len] = nums[i];
index = i;
}
}
return ret;
}
};
```
### 最长公共字串
#### 题目
给定两个字符串str1和str2，返回两个字符串的最长公共字串，如str1=‘1AB2345CD‘,str2=‘12345EF‘,返回‘2345‘
#### 解题思路
经典的动态规划方法的时间复杂度为`O(M*N)`，空间复杂度为`O(M*N)`，采用压缩优化后，可将空间复杂度优化至`O(1) `
dp[i][j]表示将str1[i]和str2[j]作为公共字串的最后一个字符，公共字串的长度。则：
状态转移方程为：`dp[i+1,j+1]=(str1[i]==str2[j])?dp[i,j]+1:0;`
```
//最长公共字串，经典DP问题
string longestCommonSubstring(const string& str1, const string& str2)
{
size_t size1 = str1.size();
size_t size2 = str2.size();
if (size1 == 0 || size2 == 0) return 0;
vector<vector<int> > dp(size1, vector<int>(size2, 0));
// 初始化
for (int i = 0; i < size1; ++i)
{
dp[i][0] = (str1[i] == str2[0] ? 1 : 0);
}
for (int j = 0; j < size2; ++j)
{
dp[0][j] = (str1[0] == str2[j] ? 1 : 0);
}
//dp
for (int i = 1; i < size1; ++i)
{
for (int j = 1; j < size2; ++j)
{
if (str1[i] == str2[j])
{
dp[i][j] = dp[i - 1][j - 1] + 1;
}
}
}
//找字串,max为长度，end_ix表示字串结束位置
int max = 0;
int end_idx = 0;
for (int i = 0; i < size1; ++i)
{
for (int j = 0; j < size2; ++j)
{
if (max < dp[i][j])
{
max = dp[i][j];
end_idx = i;
}
}
}
//获取字串并返回
return str1.substr(end_idx - max + 1, max);
}
```
优化思路：因为计算每个dp[i][j]时只用到了其左上方的dp[i-1][j-1]，所以只需要一个变量即可，即空间复杂度为O(1)
### 最长公共子序列
#### 题目
给定两个字符串str1和str2，返回两个字符串的最长公共子序列
#### 思路
状态转移方式：
c[i][j]记录str1[i]与str2[j] 的LCS 的长度
```
//最长公共子序列,时间辅助度和空间辅助度都是O(M*N)
string get_lcs_subsequece(string str1, string str2)
{
vector<vector<int>> dp(str1.size(), vector<int>(str2.size(), 0));
dp[0][0] = str1[0] == str2[0] ? 1 : 0;
for (int i = 1; i < str1.length(); i++)
{
dp[i][0] = max(dp[i - 1][0], str1[i] == str2[0] ? 1 : 0);
}
for (int j = 1; j < str2.length(); j++)
{
dp[0][j] = max(dp[0][j - 1], str1[0] == str2[j] ? 1 : 0);
}
for (int i = 1; i < str1.length(); i++)
{
for (int j = 1; j < str2.length(); j++)
{
dp[i][j] = max(dp[i - 1][j], dp[i][j - 1]);
if (str1[i] == str2[j])
{
dp[i][j] = max(dp[i][j], dp[i - 1][j - 1] + 1);
}
}
}
//获取子序列
int m = str1.size()-1;
int n = str2.size()-1;
string res;
int index = dp[m][n]-1;
while (index >= 0)
{
if (n > 0 && dp[m][n] == dp[m][n - 1])
{
n--;
}
else if (m > 0 && dp[m][n] == dp[m - 1][n])
{
m--;
}
else
{
res.insert(res.begin(), str1[m]);
index--;
/*res[index--] = str1[m];*/
m--;
n--;
}
}
return res;
}
```
### 编辑距离
#### 题目
#### 解题思路：
设状态为 f[i][j]，表示 A[0,i] 和 B[0,j] 之间的最小编辑距离。设 A[0,i] 的形式是 str1c，B[0,j] 的形式是 str2d，
1. 如果 c==d，则 f[i][j]=f[i-1][j-1]；
2. 如果 c!=d，
(a) 如果将 c 替换成 d，则 f[i][j]=f[i-1][j-1]+1；
(b) 如果在 c 后面添加一个 d，则 f[i][j]=f[i][j-1]+1；
(c) 如果将 c 删除，则 f[i][j]=f[i-1][j]+1；
```
// LeetCode, Edit Distance
// 二维动规，时间复杂度 O(n*m)，空间复杂度 O(n*m)/*Edit Distance*/
int minDistance(string word1, string word2)
{
if (word1 == "" && word2=="") return 0;
vector<vector<int>> dis(word1.size()+1, vector<int>(word2.size()+1, 0));
for (size_t i = 0; i <= word1.size(); i++)
{
dis[i][0] = i;
}
for (size_t i = 0; i <= word2.size(); i++)
{
dis[0][i] = i;
}
for (size_t i = 1; i <= word1.size(); i++)
{
for (size_t j = 1; j <= word2.size(); j++)
{
if (word1[i - 1] == word2[j - 1])
dis[i][j] = dis[i - 1][j - 1];
else
{
int mn = min(dis[i - 1][j], dis[i][j - 1]);
dis[i][j] = 1 + min(dis[i - 1][j - 1], mn);
}
}
}
return dis[word1.size()][word2.size()];
}
```
### 字符串的交错组成
#### 题目
#### 分析
设状态 f[i][j]，表示 s1[0,i] 和 s2[0,j]，匹配 s3[0, i+j]。如果 s1 的最后一个字符等
于 s3 的最后一个字符，则` f[i][j]=f[i-1][j]`；如果 s2 的最后一个字符等于 s3 的最后一个字符，则 f[i][j]=f[i][j-1]。
因此状态转移方程如下：
`f[i][j] = (s1[i - 1] == s3 [i + j - 1] && f[i - 1][j]) || (s2[j - 1] == s3 [i + j - 1] && f[i][j - 1]);`
二维DP，时间复杂度 O(n^2)，空间复杂度 O(n^2) ，另外可以用滚动数组进行空间复杂度优化，O（N）
```
class Solution
{
public:
bool isInterleave(string s1, string s2, string s3)
{
if (s3.length() != s1.length() + s2.length())
return false;
vector<vector<bool>> f(s1.length() + 1,
vector<bool>(s2.length() + 1, true));
for (size_t i = 1; i <= s1.length(); ++i)
f[i][0] = f[i - 1][0] && s1[i - 1] == s3[i - 1];
for (size_t i = 1; i <= s2.length(); ++i)
f[0][i] = f[0][i - 1] && s2[i - 1] == s3[i - 1];
for (size_t i = 1; i <= s1.length(); ++i)
for (size_t j = 1; j <= s2.length(); ++j)
f[i][j] = (s1[i - 1] == s3[i + j - 1] && f[i - 1][j])
|| (s2[j - 1] == s3[i + j - 1] && f[i][j - 1]);
return f[s1.length()][s2.length()];
}
};
```
最长递归子序列、最长公共字串、最长公共子序列、编辑距离
标签：
原文地址：http://www.cnblogs.com/panweishadow/p/5332189.html
