CSP-动态规划-最长公共子序列(LCS)

一、动态规划

动态规划(Dynamic Programming,简称DP)主要用于求解可以被分解为相似子问题的复杂问题,特别是在优化问题上表现出色,如最短路径、最大子数组和、编辑距离等。动态规划的核心思想是将原问题分解为较小的子问题,通过解决这些子问题,并将结果存储起来(通常是在一个数组或者哈希表中),以避免重复计算,从而提高效率。

动态规划问题的解决通常遵循以下几个步骤:

  1. 暴力穷举所有答案。
  2. 画出递归树,尝试编写递归函数求解。
  3. 若遍历中存在大量重复计算,使用哈希表缓存数据,之后遍历到相同节点就直接查表。
  4. 表示整个计算过程,观察公式求解顺序,改写成更加高效的迭代形式。

二、动态规划的例子

1.斐波那契数列

2.背包问题

3. 最长公共子序列(LCS)

  • 给定一个无序数组nums=[1,5,2,4,3],找出其中最长的递增的子序列,比如1-2-41-2-3。将问题简化,要求算法只返回最长序列的长度(3)

(1) 暴力枚举

  • 把每个子序列都“找个遍”,并且在遍历过程中实时记录当前子序列的长度
    CSP-动态规划-最长公共子序列(LCS)_第1张图片

(2) 递归解决方案

  1. 递归函数 L:用于计算以特定元素结尾的最长递增子序列的长度;

    • 基础情形:如果当前考虑的元素是数组的最后一个元素,那么以它结尾的最长递增子序列的长度为 1,因为它自身就构成了一个长度为 1 的递增子序列。
    • 递归步骤:对于非最后一个元素,函数会遍历当前元素之后的所有元素,寻找一个值比当前元素大的元素,这意味着可以形成一个递增的序列。对于每一个这样的元素,函数会递归地计算以那个元素为结尾的最长递增子序列的长度,并将其与当前最大长度比较,更新当前最大长度。这个过程会重复直到数组结束。
    • 返回值:函数最终返回以当前元素结尾的最长递增子序列的长度。
  2. 函数 lengthOfLIS:作用是找到整个数组的最长递增子序列的长度。

    • 遍历给定数组的每个元素,对每个元素调用递归函数 L,计算以该元素为结尾的最长递增子序列的长度。
    • 比较并更新 max_len 为当前找到的最长递增子序列的长度。
    • 遍历完成后,返回 max_len 作为最终结果。
#include 
#include 
using namespace std;

// 计算以 nums[i] 结尾的最长递增子序列的长度
int L(const vector<int>& nums, int i) {
    if (i == nums.size() - 1) { // 如果是最后一个元素
        return 1; // 最长递增子序列长度为1
    }

    int max_len = 1; // 初始化最大长度为1
    for (int j = i + 1; j < nums.size(); ++j) {
        if (nums[j] > nums[i]) { // 如果找到一个递增的元素
            // 递归计算以 nums[j] 结尾的最长递增子序列长度,并加1(加上nums[i])
            // 然后与当前的最大长度取较大值
            max_len = max(max_len, L(nums, j) + 1);
        }
    }
    return max_len; // 返回以 nums[i] 结尾的最长递增子序列的长度
}

// 计算给定序列的最长递增子序列长度
int lengthOfLIS(const vector<int>& nums) {
    int max_len = 0; // 初始化全局最大长度为0
    for (int i = 0; i < nums.size(); ++i) {
        // 遍历每个元素,计算以每个元素为起点的最长递增子序列的长度
        // 然后取所有长度中的最大值
        max_len = max(max_len, L(nums, i));
    }
    return max_len; // 返回最长递增子序列的长度
}

int main() {
    vector<int> nums = {1, 5, 2, 4, 3}; 
    cout << lengthOfLIS(nums) << endl; 
    return 0;
}

(3) 递归的问题

  • 直接递归的方法在时间复杂度上是非常高的,因为它会重复计算很多子问题的解。
  • 比如,在遍历子序列1-2-4时就已经计算过“L(4)”,后面遍历1,4时又重复计算了一次。

(4) 递归的优化:动态规划

  • 为了避免递归中出现的重复计算,可以将第一次计算时的结果保存,之后再当遍历到相同的节点我们就不在需要重复计算,直接返回之前的结果即可。

  • 在这个版本中,L 函数中添加了一个 unordered_map (哈希表)类型的备忘录 memo,用于存储已经计算过的子问题的解。在递归的过程中,先检查备忘录是否已经包含了当前子问题的解,如果有则直接返回保存的结果,避免了重复计算。这样能够显著提高程序的性能。

#include 
#include 
#include 
using namespace std;

// 使用备忘录的递归方式计算以 nums[i] 结尾的最长递增子序列的长度
int L(const vector<int>& nums, int i, unordered_map<int, int>& memo) {
    if (i == nums.size() - 1) {
        return 1;
    }

    if (memo.find(i) != memo.end()) {
        return memo[i]; // 如果已经计算过,直接返回保存的结果
    }

    int max_len = 1;
    for (int j = i + 1; j < nums.size(); ++j) {
        if (nums[j] > nums[i]) {
            max_len = max(max_len, L(nums, j, memo) + 1);
        }
    }

    memo[i] = max_len; // 将结果保存到备忘录中
    return max_len;
}

// 计算给定序列的最长递增子序列长度
int lengthOfLIS(const vector<int>& nums) {
    int max_len = 0;
    unordered_map<int, int> memo; // 使用unordered_map作为备忘录

    for (int i = 0; i < nums.size(); ++i) {
        max_len = max(max_len, L(nums, i, memo));
    }

    return max_len;
}

int main() {
    vector<int> nums = {1, 5, 2, 4, 3};
    cout << lengthOfLIS(nums) << endl;
    return 0;
}

(5) 递归转非递归

  • 从后往前依次计算,即可推算出所有答案(数学归纳)
    CSP-动态规划-最长公共子序列(LCS)_第2张图片

  • dp 数组:用于存储以每个元素结尾的最长递增子序列的长度。

  • 双重循环:外层循环遍历每个元素,内层循环遍历当前元素之前的元素,更新以当前元素结尾的最长递增子序列的长度。

  • max_element 函数:返回 dp 数组中的最大值,即整个数组中最长递增子序列的长度。

#include 
#include 
using namespace std;

int lengthOfLIS(const vector<int>& nums) {
    int n = nums.size();
    if (n == 0) return 0; // 处理空数组的情况

    vector<int> dp(n, 1); // 初始化dp数组,每个元素代表以对应位置元素结尾的最长递增子序列的长度

    for (int i = 1; i < n; ++i) {
        for (int j = 0; j < i; ++j) {
            if (nums[i] > nums[j]) {
                dp[i] = max(dp[i], dp[j] + 1); // 更新以nums[i]结尾的最长递增子序列长度
            }
        }
    }

    return *max_element(dp.begin(), dp.end()); // 返回dp数组中的最大值,即最长递增子序列的长度
}

int main() {
    vector<int> nums = {1, 5, 2, 4, 3}; // 定义一个序列
    cout << lengthOfLIS(nums) << endl; // 输出最长递增子序列的长度
    return 0;
}

你可能感兴趣的:(动态规划,算法,c++)