Edit Distance

本文详细介绍了如何使用动态规划解决字符串转换问题,通过构建二维数组并运用数学公式进行状态转移,最终计算出将一个字符串转换为另一个字符串所需的最少步骤。文章包括代码实现和关键逻辑解释。

Given two words word1 and word2, find the minimum number of steps required to convert word1 to word2. (each operation is counted as 1 step.)

You have the following 3 operations permitted on a word:

a) Insert a character
b) Delete a character

c) Replace a character

这道题目是关于有两个sequence 的dp 题目(最长公共自序列,也为two sequences),这类题目往往需要用一个二维数组,例如 f[ i ][ j ].

i 表示sequence 1 里的某个位置,j stands for sequence2 里的某个位置,然后进行匹配操作。

对于这道题目,重点是理解 function 为什么这么写(网上很多讲解):

num[i][j] = Math.min(Math.min(num[i - 1][j - 1], num[i][j - 1]),num[i - 1][j]) + 1;

public class Solution {
    public int minDistance(String word1, String word2) {
        if (word1 == null && word2 == null) {
            return -1;
        }
        int l1 = word1.length();
        int l2 = word2.length();
        if (l1 == 0) {
            return l2;
        }
        if (l2 == 0) {
            return l1;
        }
        
        int[][] num = new int[l1+1][l2+1];
        for (int i = 0; i <= l1; i++) {
            num[i][0] = i;
        }
        for (int j = 1; j <= l2; j++) {
            num[0][j] = j;
        }
        for (int i = 1; i <= l1; i++) {
            for (int j = 1; j <= l2; j++) {
                if (word1.charAt(i-1) == word2.charAt(j-1)) {
                    num[i][j] = num[i - 1][j - 1];
                } else {
                    num[i][j] = Math.min(Math.min(num[i - 1][j - 1], num[i][j - 1]),num[i - 1][j]) + 1;
                }
            }
        }
        return num[l1 ][l2 ];
        
        
    }
}


注意,当

word1.charAt(i - 1) == word2.charAt(j - 1)

时,当前字符不需要编辑, 直接返回num[i][j]即可

同时,对比第一个代码可以看到,当 word1.length() == 0 或者word2.length()== 0 是不需要拿出来单独考虑的。

public class Solution {
    public int minDistance(String word1, String word2) {
        if (word1 == null || word2 == null) {
            return -1;
        }
        int[][] num = new int[word1.length() + 1][word2.length() + 1];
        num[0][0] = 0;
        for (int i = 1; i <= word2.length(); i++) {
            num[0][i] = i;
        }
        for (int i = 1; i <= word1.length(); i++) {
            num[i][0] = i;
        }
        for (int i = 1; i <= word1.length(); i++) {
            for (int j = 1; j <= word2.length(); j++) {
                if (word1.charAt(i - 1) == word2.charAt(j - 1)) {
                    num[i][j] = num[i - 1][j - 1];
                } else {
                    int delete_insert = Math.min(num[i - 1][j], num[i][j - 1]) ;
                    num[i][j] = Math.min(delete_insert, num[i - 1][j - 1]) + 1;
                }
            }
        }
        return num[word1.length()][word2.length()];
    }
}


基于STM32 F4的永磁同步电机无位置传感器控制策略研究内容概要:本文围绕基于STM32 F4的永磁同步电机(PMSM)无位置传感器控制策略展开研究,重点探讨在不依赖物理位置传感器的情况下,如何通过算法实现对电机转子位置和速度的精确估计与控制。文中结合嵌入式开发平台STM32 F4,采用如滑模观测器、扩展卡尔曼滤波或高频注入法等先进观测技术,实现对电机反电动势或磁链的估算,进而完成无传感器矢量控制(FOC)。同时,研究涵盖系统建模、控制算法设计、仿真验证(可能使用Simulink)以及在STM32硬件平台上的代码实现与调试,旨在提高电机控制系统的可靠性、降低成本并增强环境适应性。; 适合人群:具备一定电力电子、自动控制理论基础和嵌入式开发经验的电气工程、自动化及相关专业的研究生、科研人员及从事电机驱动开发的工程师。; 使用场景及目标:①掌握永磁同步电机无位置传感器控制的核心原理与实现方法;②学习如何在STM32平台上进行电机控制算法的移植与优化;③为开发高性能、低成本的电机驱动系统提供技术参考与实践指导。; 阅读建议:建议读者结合文中提到的控制理论、仿真模型与实际代码实现进行系统学习,有条件者应在实验平台上进行验证,重点关注观测器设计、参数整定及系统稳定性分析等关键环节。
### 定义 编辑距离(Edit Distance),也称为Levenshtein距离,是衡量两个字符串之间相似程度的度量方法。它定义了通过插入、删除和替换操作将一个字符串转换为另一个字符串所需的最小操作次数。在信息论、语言学和计算机科学领域,它是用来度量两个序列相似程度的指标,通俗来讲,指的是在两个单词之间,由其中一个单词转换为另一个单词所需要的最少单字符编辑操作次数 [^1][^2]。 ### 使用方法 编辑距离可用于多种场景,如拼写检查、自然语言处理中的文本相似度计算等。例如在拼写检查中,对于用户输入的错误单词,可以通过计算它与词库中单词的编辑距离,找出编辑距离最小的单词作为建议的正确拼写。在计算两个字符串的编辑距离时,需要提供两个字符串作为输入,计算结果是一个非负整数,表示将一个字符串转换为另一个字符串所需的最小操作次数。例如可以使用编辑距离计算 "intention" 和 "execution" 的最小编辑距离 [^3]。 ### 实现代码 以下分别给出C#、Python和JavaScript的实现示例: #### C# 实现 ```csharp using System; class EditDistance { public static int Calculate(string s1, string s2) { int m = s1.Length; int n = s2.Length; int[,] dp = new int[m + 1, n + 1]; for (int i = 0; i <= m; i++) { for (int j = 0; j <= n; j++) { if (i == 0) { dp[i, j] = j; } else if (j == 0) { dp[i, j] = i; } else if (s1[i - 1] == s2[j - 1]) { dp[i, j] = dp[i - 1, j - 1]; } else { dp[i, j] = 1 + Math.Min(dp[i - 1, j - 1], Math.Min(dp[i - 1, j], dp[i, j - 1])); } } } return dp[m, n]; } } ``` #### Python 实现 ```python def min_edit_distance(source, target): m = len(source) n = len(target) dp = [[0 for _ in range(n + 1)] for _ in range(m + 1)] for i in range(m + 1): for j in range(n + 1): if i == 0: dp[i][j] = j elif j == 0: dp[i][j] = i elif source[i - 1] == target[j - 1]: dp[i][j] = dp[i - 1][j - 1] else: dp[i][j] = 1 + min(dp[i - 1][j - 1], dp[i - 1][j], dp[i][j - 1]) return dp[m][n] source = "intention" target = "execution" mde = min_edit_distance(source, target) print(mde) ``` #### JavaScript 实现 ```javascript function minEditDistance(word1, word2) { const m = word1.length; const n = word2.length; const dp = Array.from({ length: m + 1 }, () => Array(n + 1).fill(0)); for (let i = 0; i <= m; i++) { for (let j = 0; j <= n; j++) { if (i === 0) { dp[i][j] = j; } else if (j === 0) { dp[i][j] = i; } else if (word1[i - 1] === word2[j - 1]) { dp[i][j] = dp[i - 1][j - 1]; } else { dp[i][j] = 1 + Math.min(dp[i - 1][j - 1], dp[i - 1][j], dp[i][j - 1]); } } } return dp[m][n]; } const source = "intention"; const target = "execution"; const mde = minEditDistance(source, target); console.log(mde); ```
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值