算法能力就是程序员的内力,内力强者对编程利剑的把控能力就更强。
数键盘
动态规划就是,通过递推的方式,由最基本的答案推导出更复杂答案的方法,直到找到最终问题的解。或者是,通过递归的方式,将复杂问题化解为更简单问题的方法,直到化解为有明确答案的最基础问题。
问:你现在用的键盘上有多少个键帽?
当我问你这个问题时,你一定想到了解决方案,一个个数肯定能得到答案。
我们可以把这个简单的问题,用公式定义的更加清楚:设 F(n) 为键帽的总数,求 F(n) 的值。当你开始数第一个的键帽的时候,你得到了 F(1) = 1,这是一个最基本的答案。数数过程中,下一个答案等于上一个答案加 1。在状态规划中,我们通常把阶段性的答案,称作状态。复杂状态与简单状态之间存在的转化关系,叫做状态转移方程,状态转移方程是动态规范的核心,这这道题目中就是:
F(i) = F(i - 1) + 1 ( 0<i≤N)
当我们使用递推的方式,来求解动态规划时,我们会从 1 开始数起,一步步累加得到最终的状态:
F(1) = 1
F(2) = F(1) + 1
...
F(N) = f(N-1) + 1
当我们使用递归的方式,来求解动态规划时,我们会从把所有的键帽数量,记作状态 F(N),当我们数了一个键帽后,那么 剩下的状态就记作 F(N-1),因此:
F(N) = F(N-1) + 1
F(N-1) = F(N-2) + 1
...
F(1) = 1
无论是递推还是递归,都是得到的答案无疑都是一样的,只不过思维的方式有些不一样。递推是正向思维,先有基础答案后由复杂答案,最后得出最终问题的答案。递归是逆向思维,先有复杂的问题,然后把它化解为更简单的问题,直到分解为能一眼看出答案的基本问题。
数键盘虽然是一个很简单的游戏,但是解答的过程中已经包含了最基础的动态规划解题思路:
- 定义状态
- 再重新定义问题
- 找到最基础的状态
- 找出状态转移方程
- 编程求解
最长上升子序列
问:给定一个无序的整数数组,找到其中最长上升子序列的长度。
示例:
输入: [10,9,2,5,3,7,101,18]
输出: 4
解释: 最长的上升子序列是 [2,3,7,101],它的长度是 4。
说明:
- 可能会有多种最长上升子序列的组合,你只需要输出对应的长度即可。
- 你算法的时间复杂度应该为 O(n2) 。
这道题目的问题是,求最长上升子序列的长度。直接拿到这个问题,肯定一脸懵逼,最长上升子序列的长度是什么?断词断句一个个解释,序列、子序列、上升序列、最长上升子序列的长度。
序列:这里指的是,一个无序的整数数组。
子序列:将原序列中的部分值,重新组合成一个新的序列,这个新的序列就是子序列。一个序列可以有多个子序列。如,原序列 [1, 5, 2, 3],那么 [1, 5] 和 [1, 2, 3] 都是原序列的子序列。
上升序列:从前往后看,序列中的前面的数字比后面的数字更小,序列呈递增规律,就是上升序列。[1, 2, 3] 就是上升序列,[1,2,0] 就不是上升序列。
最长上升子序列的长度:一个序列可能会有多个上升子序列,其中长度最长的叫做最长上升子序列,其长度叫做最长上升子序列的长度。
动态规划方法一
第一步:定义状态。定义状态为,以当前序列第 i 个数字结尾的最长上升子序列的长度,记作 L(i),0≤i≤N-1,N为序列长度。示例:序列[1,2,3],状态 L[1] = 2 ,表示第 1 个以 2 结尾的最长上升子序列的长度为 2。
第二步:重新定位问题。序列中的最长上升子序列,不一定是以最后一个数字结尾,而是所有状态中的最大值,即 Math.max(L[0],L[1],…,L(N-1))。示例:[1,2,0] 的最长上升子序列是 [1,2] ,是以第1个数字结尾的。
第三步:找到最基础的状态。当序列为空时,结尾的最长上升子序列的长度为0。但是我们发现,最初我们定义的状态,并不能表示该最基础的状态,因此需要对状态的定义稍作修正。
状态:以当前序列第 index 个数字结尾的最长上升子序列的长度,index 是序列的下标,记 i = index + 1 ,状态为 L(i),0≤i≤N,N为序列长度。此时 L[0] 表示空序列的最长上升子序列的长度 L[0] = 0,L[1] 表示以序列中第 0 位数字结尾的最长上升子序列的长度,L[1] = 1。
第四步:找到状态转移方程。若 L[i] 大于 1,则 L[i] 表示的子序列,去掉最后一位数,依旧是一个子序列,记该子序列为 L[j] 。其关系为 L[i] = L[j] + 1 。其中 L[j] 的最后一位 nums[j -1] < nums[i - 1],且 L[j] = Math.max( L[1],…,L[i-1]) ,0<j<i。
例如:序列A [1, 2, 6, 3, 4]
1. L[0] = 0
2. L[1] = 1
3. L[2] = Math.max( L[1]) + 1 = L[1] + 1 = 2, 其中 nums[1-1] < nums[2-1]
4. L[3] = Math.max(L[1], L[2]) + 1 = L[2] + 1 = 2, 其中 nums[2-1] < nums[3-1]
5. L[4] = Math.max(L[1], L[2],L[3]) + 1 = L[2] + 1 = 2, 其中 nums[2-1] < nums[4-1]
6. L[5] = Math.max(L[1], L[2],L[3],L[4]) + 1 = L[4] + 1 = 2, 其中 nums[4-1] < nums[5-1]
变成为:
function lengthOfLIS(nums) {
const dp = [0]
for (let i = 1; i <= nums.length; i++) {
let max = 0
for (let j = 1; j < i; j++) {
if (nums[j - 1] < nums[i - 1]) {
max = Math.max(max, dp[j])
}
}
dp[i] = max + 1
}
return Math.max(...dp)
};
动态规划方法二
第一步:定义状态。在序列前 index 项中,所有可能成为最长上升子序列的子序列。S[i]
示例:A [10, 1, 12, 2, 3]
S[0] = [[10]]
S[1] = [[10], [1]]
S[2] = [[10, 12], [1, 12]]
S[3] = [[10, 12], [1, 12], [1, 2]]
S[4] = [[10, 12], [1, 12], [1, 2, 3]]
当 S[1] = [[10], [1]] 时,A[2] 存在三种情况,①当 10 < A[2] 时, [10, A[2]] 和 [1, A[2]] 表示的长度等价;②当 1 < A[2] ≤ 10 时, [1, A[2]] 比 [10] 长;③当 A[2] ≤ 1 时,S[3] = [[10], [1], A[3]]。
因为题目只需要返回最终长度,所以 [10] 或 [1] 两种情况实际,可以简写为 [1] 这一种情况。A[3] 存在 3中情况,分别为①当 10 < A[2] 时, [1, A[2]] ;②当 1 < A[2] ≤ 10 时, [1, A[2]];③当 A[2] ≤ 1 时,S[3] = [A[3]]。因此可证明,只保留 [1] 一种情况,实际上已经代表了 [10] 或 [1] 两种情况。
对状态进行重新定义:在序列前 i 项中,长度为 k 的上升子序列中,最后一位的最小值。S[i]
示例:A [10, 1, 12, 2, 3]
S[0] = [10]
S[1] = [1]
S[2] = [1,12]
S[3] = [1,2]
S[4] = [1,2,3]
第二步:重新定位问题。 求 S[N-1] 的长度,其中 N 为序列的长度。
第三步:找到最基础的状态。当序列为空时,结尾的最长上升子序列的长度为0,因此对问题和状态进行重新修正。
状态:在序列前 i + 1 项中,长度为 k 的上升子序列中,最后一位的最小值。S[i]
问题:求 S[N] 的长度,其中 N 为序列的长度。
第四步:找到状态转移方程。如果 A[i-1]
比 S[i]
最后一位还要大,记作 S[i][len -1] < A[i-1]
,即可以组成一个更长子序列,s[i] = [...s[i -1],A[i-1]]
。如果 A[i-1]
比 S[i]
中某一位 S[i][j]
要小,但是比该位的前一位 S[i][j-1]
要大,更具第一步中的推论,可以用 A[i-1]
替换掉 S[i][j]
,S[i] = […,S[i][j-1],A[i-1] ,…]
示例:A [10, 1, 12, 2, 3]
S[0] = [] // 初始化
S[1] = [10] // 在最后添加 A[1-1]=10
S[2] = [1] // A[2-1] < S[2][0],因此替换掉 S[2][0]
S[3] = [1,12] // 在最后添加 A[3-1]= 12
S[4] = [1,2] // S[2][0] < A[2-1] < S[2][1],因此替换掉 S[2][1]
S[5] = [1,2,3] // 在最后添加 A[5-1]= 3
实现:
function lengthOfLIS(nums) {
const sequence = []
// 复杂度 n
for (let i = 1; i <= nums.length; i++) {
let len = sequence.length
// 增加
if (sequence[len - 1] < nums[i-1]) {
sequence[len] = nums[i-1]
// 替换
} else {
// sequence 具有单调性,可以使用 logn 复杂度的二分查找,查找到 S[i][j-1]<A[i]<=S[i][j] (0≤j≤i) 的位置,并对 S[i][j] 进行重新赋值。
let target = nums[i-1]
let start = 0
let end = len
let mid = parseInt(len / 2)
let x = 0
while (start <= end) {
if (target === sequence[mid]) {
x = mid
break
} else if (sequence[mid] < target) {
x = mid + 1
start = mid + 1
mid = parseInt((start + end) / 2)
} else {
x = mid
end = mid - 1
mid = parseInt((start + end) / 2)
}
}
sequence[x] = nums[i-1]
}
}
return sequence.length
};
**粗体** _斜体_ [链接](http://example.com) `代码` - 列表 > 引用
。你还可以使用@
来通知其他用户。