AcWing 902. 最短编辑距离(线性dp 初始化细节)

本文详细介绍了编辑距离算法的实现过程,包括状态定义、状态转移方程及代码实现,并通过一个具体的例子展示了如何利用动态规划解决字符串之间的编辑距离问题。

在这里插入图片描述
在这里插入图片描述

题意:

如题。

思路:

f[i][j] 状态表示 :

  • 集合:所有将 a[1 ~ i] 变成 b[1 ~ j]操作方式

  • 属性操作数的最小值 min

状态计算 :依据最后一步考虑

三种操作,对应 f[i][j] 代表集合共有 三个子集

  • 删除操作:把 a[i] 删掉之后 a[1 ~ i] 转化成了 b[1 ~ j]
    所以之前要先做到 a[1 ~ (i-1)]b[1 ~ j] 匹配
    f[i-1][j] + 1
  • 插入操作:插入之后 a[1 ~ i] 转化成了 b[1 ~ j] ,所以插入的就是 b[j]
    那填之前
### 编辑距离算法简介 编辑距离(Edit Distance),也称为莱文斯坦距离(Levenshtein distance),是指两个字符串之间通过插入、删除和替换操作将其转换成另一个字符串所需的最少单字符编辑次数[^1]。 以下是关于编辑距离算法的核心概念以及其实现方法: #### 动态规划解决编辑距离问题 动态规划是一种常用的解决方案,其核心思想是构建一个二维数组 `dp` 来存储子问题的结果。对于长度分别为 `m` 和 `n` 的两个字符串 `str1` 和 `str2`,定义状态转移方程如下: - 如果当前字符相等,则无需额外操作: \( dp[i][j] = dp[i-1][j-1] \) - 否则取三种可能操作中的最小值加一: \( dp[i][j] = min(dp[i-1][j], dp[i][j-1], dp[i-1][j-1]) + 1 \)[^2] 其中: - 插入操作对应于 \( dp[i][j-1] \) - 删除操作对应于 \( dp[i-1][j] \) - 替换操作对应于 \( dp[i-1][j-1] \) 最终结果存放在 `dp[m][n]` 中。 #### Python 实现代码 下面是一个基于上述原理的 Python 实现版本: ```python def edit_distance(str1, str2): m, n = len(str1), len(str2) # 创建 (m+1) x (n+1) DP 表格并初始化 dp = [[0]*(n+1) for _ in range(m+1)] # 初始化边界条件 for i in range(m+1): dp[i][0] = i # 当第二个字符串为空时的操作数 for j in range(n+1): dp[0][j] = j # 当第一个字符串为空时的操作数 # 填充表格 for i in range(1, m+1): for j in range(1, n+1): if str1[i-1] == str2[j-1]: # 字符匹配的情况 dp[i][j] = dp[i-1][j-1] else: # 取三者最小值再加一 dp[i][j] = min( dp[i-1][j], # 删除 dp[i][j-1], # 插入 dp[i-1][j-1] # 替换 ) + 1 return dp[m][n] # 测试函数 if __name__ == "__main__": s1 = "kitten" s2 = "sitting" result = edit_distance(s1, s2) print(f"The Edit Distance between '{s1}' and '{s2}' is {result}.") ``` 此代码实现了计算任意两字符串之间的编辑距离功能,并提供了测试样例验证逻辑正确性[^3]。 #### 复杂度分析 时间复杂度为 O(m*n),空间复杂度同样为 O(m*n),其中 m 和 n 是输入字符串的长度。如果需要优化内存消耗,在某些情况下可以采用滚动数组技术降低至线性级别的空间需求。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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