文章目录
- 前言
- 动态规划
- 题目解析
- 算法原理
- 1.状态表示
- 2.状态转移方程
- 3.初始化
- 4.填表顺序
- 5.返回值是什么
- 代码实现
- 贪心
- 算法原理
- 二分优化
- 代码实现
- 总结
前言
在本文章中,我们将要解决一下Leetcode中300. 最长递增子序列
在本道题目中,我们将会用动态规划和贪心两种策略分别来解决这道问题。
动态规划
题目解析
给你一个整数数组 nums ,找到其中最长严格递增子序列的长度。
子序列 是由数组派生而来的序列,删除(或不删除)数组中的元素而不改变其余元素的顺序。例如,[3,6,2,7] 是数组 [0,3,1,6,2,2,7] 的子序列。
示例 1:
输入:nums = [10,9,2,5,3,7,101,18]
输出:4
解释:最长递增子序列是 [2,3,7,101],因此长度为 4 。
示例 2:
输入:nums = [0,1,0,3,2,3]
输出:4
示例 3:
输入:nums = [7,7,7,7,7,7,7]
输出:1
子序列:要求相对顺序一致,可以是不连续的
子数组: 顺序一致,必须是连续的
这也就说明了子数组其实是子序列的一部分
子序列可以有2^n个
子数组只有n^2个
注意:严格递增,不可以相等
算法原理
1.状态表示
列出dp表,dp表中值的含义是什么
以i位置为结尾,::::::
根据这道题,dp[ i ]:以i位置为结尾的,所有子序列中最长的递增子序列的个数
2.状态转移方程
dp[i]是什么
🌟i位置的值要末是自己组成一个最长递增子序列,要摸和前面的结合一起构成最长递增子序列。
🌟如果是自己构成子序列,dp[ i ]就是1;
🌟如果是与前面的结合,那就复杂了。
因为你不知道前面那麽多dp值,哪个和你结合才是最大的,同时要满足是递增的。
nums[ i ]可以跟在前面任何一个数后面形成子序列。
🌟我们在【0,i-1】区间内找到最大的dp值就可以,同时满足递增
dp[ i ]=max(dp[ j ]+1,dp[ i ])
3.初始化
我们可以全部初始化为0,在填表时,判断两种情况哪个大。
我们也可以按照最坏的情况填表,每个元素都是一个递增子序列,也就是初始化为1,
我们在进行填表时,就只需要关注第二种情况就可以了,自动进行判断。
填表时只需要从第二个位置开始就可以。
4.填表顺序
题目很明显就可以知道,从左向右进行填表
5.返回值是什么
我们再来看一下dp表的含义,所有子序列中最长的递增子序列的个数,所有我们需要在dp表中找最大值。
我们不用吧dp表填完之后,在进行寻找,我们可以一直填表一直寻找最长长度。
代码实现
class Solution {
public:
int lengthOfLIS(vector<int>& nums)
{
int n=nums.size();
vector<int>dp(n,1);
int maxdp=1;
for(int i=1;i<n;i++)
{
int j=0;
for(j=0;j<i;j++)
{
if(nums[i]>nums[j])
{
dp[i]=max(dp[i],dp[j]+1);
}
}
maxdp=max(dp[i],maxdp);
}
return maxdp;
}
};
时间复杂度为O(N^2),空间复杂度为O(N)
贪心
我们在介绍贪心解的时候,先回顾一下动态规划的解法。
我们在考虑最长递增子序列的长度的时候,我们并不关心这个序列是什么样子的,我们只关心最后一个元素是谁
算法原理
我们以【7,3,8,4,7,2,14,13】这组数据为例子分析一下。
🌟 我们遍历数组内容,首先是7,我们可以得到以下结论:长度为1的子序列为7
🌟 我们继续遍历,为3,3这个元素可以自己成为一个子序列,也可以与前面结合形成一个子序列,但是我们要求是递增的,这种条件并不满足,只能自己形成一个子序列。
🌟 这时,我们发现长度为1的子序列有两个了,一个为3,一个为7。贪心来了,贪心就是每一步都选择当前看起来最优的解法
所有可以跟在7,后边的元素都可以跟在3后边。
那么我们在继续便利的时候,就不需要管7这个元素了,只需要与3进行判断就可以。
🌟 继续遍历到8,8这个元素也有两种选择,自己形成一个子序列,或者与前面的结合形成一个子序列。贪心来了,贪心就是每一步都选择当前看起来最优的解法。
8是大于3的,说明可以跟在3后面,形成长度为2的子序列,这才是我们当前的最优解
🌟 继续遍历到4,4这个元素也有两种选择,自己形成一个子序列,或者与前面的结合形成一个子序列。
我们发现4这个元素是大于3这个元素元素的,所以可以跟在3后面,长度为2的最后一个元素为8,是不能跟在这个元素的后面的。这时长度为2的子序列就有两种,【3,8】,【3,4】.很显然【3,4】是更优的,为什莫呢???
因为所有可以跟在8后面的都可以跟在4后边。
所有我们之后进行判断的时候,就不用管8这个元素了。只需要关心4这个元素。
🌟 后面也是同样的道理…
我们直接来看遍历完样子
我们通过上帝视角发现这并不是我们子序列的样子,正常应该是【3,4,7,14】或者【3,4,7,13】。我们只要求长度就可以。
我们回想一下贪心的介绍,我们只介绍对的方法,至于为什莫对,我们不关心,当作经验吸收
我们再来总结一下贪心的地方
1.存什么:所有长度为x的递增子序列中,最后一个元素的最小值。
2.存哪里:所有大于等于nums[ i ]的最小值的位置。
分析一下时间复杂度:我们要遍历一遍,便利的同时遍历一下存放位置,时间复杂度为O(N^2);
二分优化
我们可以用二分算法优化时间复杂度。
因为我们存放的数据都是按照有序存放的,我们可以用二分查找算法快速找到对应的位置,就可以把使时间复杂度优化到O(N*logN)
代码实现
class Solution
{
public:
int lengthOfLIS(vector<int>& nums)
{
int n = nums.size();
vector<int> ret;
ret.push_back(nums[0]);
for (int i = 1; i < n; i++)
{
if (nums[i] > ret.back()) // 如果能接在最后⼀个元素后⾯,直接放
{
ret.push_back(nums[i]);
}
else
{
// ⼆分插⼊位置
int left = 0, right = ret.size() - 1;
while (left < right)
{
int mid = (left + right) >> 1;
if (ret[mid] < nums[i]) left = mid + 1;
else right = mid;
}
ret[left] = nums[i]; // 放在 left 位置上
}
}
return ret.size();
}
};
总结
以上就是我们对Leetcode中最长递增子序列详细介绍,希望对大家的学习有所帮助,仅供参考 如有错误请大佬指点我会尽快去改正 欢迎大家来评论~~