动态规划之最长递增子序列
2016-07-18 16:45
302 查看
面试经常出现问题:
最长递增子序列问题是一个很基本、较常见的小问题,但这个问题的求解方法却并不那么显而易见,需要较深入的思考和较好的算法素养才能得出良好的算法。由于这个问题能运用学过的基本的算法分析和设计的方法与思想,能够锻炼设计较复杂算法的思维,我对这个问题进行了较深入的分析思考,得出了几种复杂度不同算法,并给出了分析和证明。
一, 最长递增子序列问题的描述
设L=<a1,a2,…,an>是n个不同的实数的序列,L的递增子序列是这样一个子序列Lin=<aK1,ak2,…,akm>,其中k1<k2<…<km且aK1<ak2<…<akm。求最大的m值。
二, 第一种算法:转化为LCS问题求解
设序列X=<b1,b2,…,bn>是对序列L=<a1,a2,…,an>按递增排好序的序列。那么显然X与L的最长公共子序列即为L的最长递增子序列。这样就把求最长递增子序列的问题转化为求最长公共子序列问题LCS了。
最长公共子序列问题用动态规划的算法可解。设Li=< a1,a2,…,ai>,Xj=< b1,b2,…,bj>,它们分别为L和X的子序列。令C[i,j]为Li与Xj的最长公共子序列的长度。
这可以用时间复杂度为O(n2)的算法求解,由于这个算法上课时讲过,所以具体代码在此略去。求最长递增子序列的算法时间复杂度由排序所用的O(nlogn)的时间加上求LCS的O(n2)的时间,算法的最坏时间复杂度为O(nlogn)+O(n2)=O(n2)。
三, 第二种算法:动态规划法
设f(i)表示L中以ai为末元素的最长递增子序列的长度。则有如下的递推方程:
这个递推方程的意思是,在求以ai为末元素的最长递增子序列时,找到所有序号在L前面且小于ai的元素aj,即j<i且aj<ai。如果这样的元素存在,那么对所有aj,都有一个以aj为末元素的最长递增子序列的长度f(j),把其中最大的f(j)选出来,那么f(i)就等于最大的f(j)加上1,即以ai为末元素的最长递增子序列,等于以使f(j)最大的那个aj为末元素的递增子序列最末再加上ai;如果这样的元素不存在,那么ai自身构成一个长度为1的以ai为末元素的递增子序列。
使用二分查找进行优化
最大子序列:http://blog.csdn.net/yangquanhui1991/article/details/51943359
动态规划之最长递增子序列:http://blog.csdn.net/yangquanhui1991/article/details/51943000
动态规划之最长公共子串:http://blog.csdn.net/yangquanhui1991/article/details/51945211
动态规划之最长公共子序列:http://blog.csdn.net/yangquanhui1991/article/details/51942532
最长递增子序列问题是一个很基本、较常见的小问题,但这个问题的求解方法却并不那么显而易见,需要较深入的思考和较好的算法素养才能得出良好的算法。由于这个问题能运用学过的基本的算法分析和设计的方法与思想,能够锻炼设计较复杂算法的思维,我对这个问题进行了较深入的分析思考,得出了几种复杂度不同算法,并给出了分析和证明。一, 最长递增子序列问题的描述
设L=<a1,a2,…,an>是n个不同的实数的序列,L的递增子序列是这样一个子序列Lin=<aK1,ak2,…,akm>,其中k1<k2<…<km且aK1<ak2<…<akm。求最大的m值。
二, 第一种算法:转化为LCS问题求解
设序列X=<b1,b2,…,bn>是对序列L=<a1,a2,…,an>按递增排好序的序列。那么显然X与L的最长公共子序列即为L的最长递增子序列。这样就把求最长递增子序列的问题转化为求最长公共子序列问题LCS了。
最长公共子序列问题用动态规划的算法可解。设Li=< a1,a2,…,ai>,Xj=< b1,b2,…,bj>,它们分别为L和X的子序列。令C[i,j]为Li与Xj的最长公共子序列的长度。
这可以用时间复杂度为O(n2)的算法求解,由于这个算法上课时讲过,所以具体代码在此略去。求最长递增子序列的算法时间复杂度由排序所用的O(nlogn)的时间加上求LCS的O(n2)的时间,算法的最坏时间复杂度为O(nlogn)+O(n2)=O(n2)。
三, 第二种算法:动态规划法
设f(i)表示L中以ai为末元素的最长递增子序列的长度。则有如下的递推方程:
这个递推方程的意思是,在求以ai为末元素的最长递增子序列时,找到所有序号在L前面且小于ai的元素aj,即j<i且aj<ai。如果这样的元素存在,那么对所有aj,都有一个以aj为末元素的最长递增子序列的长度f(j),把其中最大的f(j)选出来,那么f(i)就等于最大的f(j)加上1,即以ai为末元素的最长递增子序列,等于以使f(j)最大的那个aj为末元素的递增子序列最末再加上ai;如果这样的元素不存在,那么ai自身构成一个长度为1的以ai为末元素的递增子序列。
//动态规划之最长递增子序列 #include <iostream> #include <string> #include <algorithm> #include <vector> using namespace std; int longestIncSub(vector<int>& vec,int length[]) { int len = vec.size(); length[0] = 1; for (int i = 1; i < len; i++) { length[i] = 1; for (int j = 0; j < i; j++) { if (vec[i]>vec[j] && length[j]>length[i] - 1) length[i] = length[j] + 1; } } int max = 0; for (int i = 0; i < len; i++) { if (length[i]>max) max = length[i]; } return max; } //整数处理 int LCS_LENGTH_INT(vector<int>& vec1, vector<int>& vec2, int c[][100], int b[][100]) { int m = vec1.size(); int n = vec2.size(); if ((m == 0) || (n == 0)) return 0; for (int i = 1; i < m; i++) c[i][0] = 0; for (int i = 1; i < n; i++) c[0][i] = 0; c[0][0] = 0; for (int i = 1; i <= m; i++) for (int j = 1; j <= n; j++) if (vec1[i - 1] == vec2[j - 1]) { c[i][j] = c[i - 1][j - 1] + 1; b[i][j] = 1; } else if (c[i - 1][j] >= c[i][j - 1]) { c[i][j] = c[i - 1][j]; b[i][j] = 2; } else { c[i][j] = c[i][j - 1]; b[i][j] = 3; } /*cout << "计算最优值效果图如下所示:" << endl; for (int i = 0; i <= m; i++) { for (int j = 0; j <= n; j++) { cout << c[i][j] << " "; } cout << endl; }*/ return c[m] ; } int main() { //整数处理 vector<int> vec1 = { 1, 3, 5, 2, 4, 6, 7, 8 }; int length[100] = {0}; cout << longestIncSub(vec1,length) << endl; int c[100][100] = { 0 }; int b[100][100] = { 0 }; vector<int> vec2(vec1.begin(), vec1.end()); sort(vec2.begin(), vec2.end()); cout << LCS_LENGTH_INT(vec1, vec2, c, b) << endl; system("pause"); return 0; }
使用二分查找进行优化
/* *问题:求数组中最长递增子序列 *写一个时间复杂度尽可能低的程序,求一个一维数组(N个元素)中的最长递增子序列的长度。 *例如:在序列1,-1,2,-3,4,-5,6,-7中,其最长的递增子序列为1,2,4,6,最长递增子序列 *的长度为4。 *求解思路:使用动态规划+二分查找算法 时间复杂度O(nlog(n)) */ #include <cstdio> #include <iostream> using namespace std; int LIS(int *array,int len) { int *LIS = new int[len];//LIS数组中存储的是 递增子序列中最大值最小的子序列的最后一个元素(最大元素)在array中的位置 int left,mid,right; int max=1; LIS[0]=array[0]; for(int i = 1;i < len;++i) { left = 0; right = max; while(left <=right) { mid = (left+right)/2; if(LIS[mid] < array[i]) left = mid +1; else right = mid -1; } LIS[left] = array[i];//插入 if(left > max) { max++; } } delete LIS; return max; } int main(int args,char **argv) { int array[] = {1,-1,2,-3,4,-5,6,-7}; int len = sizeof(array)/sizeof(int); int res = LIS(array,len); cout<<res<<endl; getchar(); return 0; }
相关文章推荐
- C++二分查找在搜索引擎多文档求交的应用分析
- C++动态规划之最长公子序列实例
- C++动态规划之背包问题解决方法
- C语言编程中实现二分查找的简单入门实例
- C#二分查找算法实例分析
- 求数组中最长递增子序列的解决方法
- 二分查找算法在C/C++程序中的应用示例
- C#使用动态规划解决0-1背包问题实例分析
- 在MySQL中实现二分查找的详细教程
- Java实现二分查找算法实例分析
- Python基于二分查找实现求整数平方根的方法
- python二分查找算法的递归实现方法
- Python二分查找详解
- 简介二分查找算法与相关的Python实现示例
- 动态规划
- python二分查找算法的递归实现方法
- Python基于二分查找实现求整数平方根的方法
- C++ 动态规划
- 漫谈递归:二分查找算法的递归实现
- 动态规划解决背包问题的核心思路