最长回文子序列长度、最长回文子串,最长回文串、回文子串

本文探讨了如何利用动态规划和贪心策略解决字符串中最长回文子序列和子串的问题。通过中心扩展法和统计奇偶数,分别展示了不同方法的实现过程,包括最长回文子序列长度的计算、最长回文串的查找以及回文子串的计数。实例解析和代码展示有助于深入理解这些算法。

目录

最长回文子序列长度

动态规划

贪心:中心扩展法

最长回文串

统计奇偶数

回文子串 

动态规划

最长回文子串

动态规划


最长回文子序列长度

回文子串是要连续的,回文子序列可不是连续的! 回文子串,回文子序列都是动态规划经典题目。

给你一个字符串 s ,找出其中最长的回文子序列,并返回该序列的长度。

子序列定义为:不改变剩余字符顺序的情况下,删除某些字符或者不删除任何字符形成的一个序列。

示例 1:

输入:s = "bbbab"
输出:4
解释:一个可能的最长回文子序列为 "bbbb" 。
示例 2:

输入:s = "cbbd"
输出:2
解释:一个可能的最长回文子序列为 "bb" 。

动态规划

class Solution {
public:
    int longestPalindromeSubseq(string s) {
        vector<vector<int>>dp(s.size(),vector<int>(s.size(),0));
        for(int i=0;i<s.size();i++){
            dp[i][i]=1;
        }
        for(int i=s.size()-1;i>=0;i--){
            for(int j=i+1;j<s.size();j++){
                if(s[i]==s[j]){
                    dp[i][j]=dp[i+1][j-1]+2;
                }else{
                    dp[i][j]=max(dp[i+1][j],dp[i][j-1]);
                }
            }
        }
        return dp[0][s.size()-1];
    }
};

建议自己看题解,然后自己举例子,手动画一遍图就懂了。

贪心:中心扩展法

class Solution {
public:
    
    int fun(string &s,int left,int right){
        while(left>=0 && right<s.size() && s[left]==s[right]){
            left--;
            right++;
        }
        return right-left-1;
    }
    
    int getLongestPalindrome(string A) {
        // write code here
        int maxLen=1;
        for(int i=0;i<A.size()-1;i++){
            maxLen=max(maxLen,max(fun(A,i,i),fun(A,i,i+1)));
        }
        return maxLen;
    }
};

最长回文串

统计奇偶数

给定一个包含大写字母和小写字母的字符串 s ,返回 通过这些字母构造成的 最长的回文串 。

在构造过程中,请注意 区分大小写 。比如 "Aa" 不能当做一个回文字符串。

示例 1:

输入:s = "abccccdd"
输出:7
解释:
我们可以构造的最长的回文串是"dccaccd", 它的长度是 7。
示例 2:

输入:s = "a"
输入:1
 

提示:

1 <= s.length <= 2000
s 只由小写 和/或 大写英文字母组成

简单题,只需要统计一下字符个数,并处理奇偶关系,即可计算最后回文串长度

class Solution {
public:
    int longestPalindrome(string s) {
        unordered_map<char,int>m;
        for(char &c:s){
            m[c]++;
        }
        int ans=0,odd=0;
        for(auto it:m){
            ans+=it.second-it.second%2;
            if(it.second%2==1){
                odd=1;
            }
        }
        return ans+odd;
    }
};

回文子串 

动态规划

在确定递推公式时,就要分析如下几种情况。

整体上是两种,就是s[i]与s[j]相等,s[i]与s[j]不相等这两种。

当s[i]与s[j]不相等,那没啥好说的了,dp[i][j]一定是false。

当s[i]与s[j]相等时,这就复杂一些了,有如下三种情况

  • 情况一:下标i 与 j相同,同一个字符例如a,当然是回文子串
  • 情况二:下标i 与 j相差为1,例如aa,也是回文子串
  • 情况三:下标:i 与 j相差大于1的时候,例如cabac,此时s[i]与s[j]已经相同了,我们看i到j区间是不是回文子串就看aba是不是回文就可以了,那么aba的区间就是 i+1 与 j-1区间,这个区间是不是回文就看dp[i + 1][j - 1]是否为true。
class Solution {
public:
    int countSubstrings(string s) {
        int n=s.size();
        vector<vector<bool>>dp(n,vector<bool>(n,false));
        int ans=0;
        for(int i=n-1;i>=0;i--){
            for(int j=i;j<n;j++){
                if(s[i]==s[j]){
                    if(j-i<=1){
                        ans++;
                        dp[i][j]=true;
                    }else if(dp[i+1][j-1]){
                        ans++;
                        dp[i][j]=true;
                    }
                }
            }
        }
        return ans;
    }
};

最长回文子串

动态规划

给你一个字符串 s,找到 s 中最长的回文子串。

示例 1:

输入:s = "babad"
输出:"bab"
解释:"aba" 同样是符合题意的答案。
示例 2:

输入:s = "cbbd"
输出:"bb"

与上题很像,只不过我们需要保存一下最长回文子串的左右下表,最后需要返回这个最长回文子串

关键代码:

                if(dp[i][j] && j-i+1>maxLength){
                    maxLength=j-i+1;
                    left=i;
                    right=j;
                }
class Solution {
public:
    string longestPalindrome(string s) {
        int n=s.size();
        vector<vector<bool>>dp(n,vector<bool>(n,0));
        int maxLength=0;
        int left=0;
        int right=0;
        for(int i=n-1;i>=0;i--){
            for(int j=i;j<n;j++){
                if(s[i]==s[j]){
                    if(j-i<=1){
                        dp[i][j]=true;
                    }else if(dp[i+1][j-1]){
                        dp[i][j]=true;
                    }
                }
                if(dp[i][j] && j-i+1>maxLength){
                    maxLength=j-i+1;
                    left=i;
                    right=j;
                }
            }
        }
        return s.substr(left,right-left+1);
    }
};

<think>嗯,我现在想了解一下回文子串问题和最长回文子序列的区别。之前学过一些动态规划的知识,但这两个问题好像容易混淆,得仔细理清楚。 首先,回文子串应该是指连续的字符组成的回文,比如“abcba”中的“bcb”就是一个回文子串,对吧?而回文子序列可能不需要连续,只要字符顺序对称就行。比如在“abcda”里,最长回文子序列可能是“acda”或者类似的结构?不过具体例子可能需要再想想。 那它们的定义区别应该就是子串必须连续,子序列可以不连续。所以,在解决这两个问题的时候,算法上会有不同的处理方式。比如,动态规划的状态转移方程可能不一样。 比如回文子串的问题,我记得常用的方法可能是中心扩展法或者动态规划。比如用二维数组dp[i][j]表示从i到j是否为回文子串。如果是的话,当s[i]等于s[j]时,可能要看内部子串是否是回文。比如dp[i][j] = dp[i+1][j-1](当i+1到j-1是回文时)。但如果是子序列的话,可能即使i和j不相等,也要考虑选择左边或右边的结果,比如取dp[i+1][j]和dp[i][j-1]的最大值。 举个例子,最长回文子序列的动态规划解法。根据引用里的代码,当s[i]等于s[j]时,dp[i][j] = dp[i+1][j-1] + 2;如果不相等,则取dp[i+1][j]和dp[i][j-1]中的较大值。这样就能处理非连续的情况。而回文子串的动态规划可能只有当两端字符相等,并且中间子串是回文时,才标记为true,然后统计所有true的情况中的最长长度。 另外,回文子串的问题可能更关注连续的结构,所以像中心扩展法可能更高效,比如遍历每个可能的中心点,向两边扩展直到不匹配为止。而子序列的问题必须用动态规划或者其他方法处理非连续的情况。 还有,两者的应用场景可能不同。比如,子串可能用于查找具体的回文字符串,而子序列可能用于某些需要非连续匹配的场景,比如基因序列分析中的某些结构查找? 另外,时间复杂度上可能有差异。回文子串的动态规划解法是O(n²),而子序列的动态规划应该也是O(n²),但具体操作步骤可能不同。比如,子序列的dp数组填充可能需要特定的遍历顺序,比如i从后往前,j从i+1开始往后,像引用中的代码那样。 比如引用中的代码,最长回文子序列的动态规划解法中,循环是i从最后一个字符往前,j从i+1开始往后。这是因为计算dp[i][j]时需要先知道dp[i+1][j-1]、dp[i+1][j]、dp[i][j-1]的值,所以必须按这种顺序填充。 而回文子串的动态规划可能需要i从后往前,j从i到末尾,但判断条件更严格,需要s[i]==s[j]并且dp[i+1][j-1]为true。 总结起来,两者的主要区别在于子串要求连续,而子序列不要求。因此在动态规划的状态转移方程中,当两端字符不相同时,子序列需要取两边选择后的最大值,而子串则直接跳过这种情况,因为不连续的话无法形成更长的子串。 可能还需要注意边界条件的不同。例如,子序列的单个字符都是长度为1的回文,所以在初始化时每个dp[i][i] =1。而子串的初始化可能每个单个字符都是回文,所以dp[i][i] = true,同时两个相邻字符如果相同的话,dp[i][i+1] = true。 总的来说,回文子串和子序列的问题在定义、解法以及应用场景上都有明显差异,需要分别处理。</think>### 回文子串问题 vs 最长回文子序列的区别 #### 1. **定义差异** - **回文子串**:字符串中**连续字符**组成的回文序列。例如,字符串 `"abcba"` 的最长回文子串是 `"abcba"`,长度为5。 - **最长回文子序列**:字符串中**不要求连续**但保持相对顺序的回文序列。例如,字符串 `"abcda"` 的最长回文子序列是 `"acda"` 或 `"abda"`,长度为3。 #### 2. **算法实现差异** ##### **回文子串问题** - **动态规划思路**: - 定义 `dp[i][j]` 表示子串 `s[i..j]` 是否为回文。 - 状态转移方程: - 若 `s[i] == s[j]` 且 `j - i <= 1`,则 `dp[i][j] = true`。 - 若 `s[i] == s[j]` 且 `dp[i+1][j-1] == true`,则 `dp[i][j] = true`。 - 统计所有 `dp[i][j] == true` 的区间长度,取最大值。 - **中心扩展法**: - 遍历每个字符或相邻字符对作为中心,向两侧扩展直到不满足回文条件[^4]。 ##### **最长回文子序列问题** - **动态规划思路**: - 定义 `dp[i][j]` 表示子序列 `s[i..j]` 的最长回文长度。 - 状态转移方程: - 若 `s[i] == s[j]`,则 `dp[i][j] = dp[i+1][j-1] + 2`。 - 若 `s[i] != s[j]`,则 `dp[i][j] = max(dp[i+1][j], dp[i][j-1])`[^3]。 - 遍历顺序需从后往前,确保子问题已计算(如 `i` 从末尾开始,`j` 从 `i+1` 开始)。 #### 3. **时间复杂度与空间复杂度** - **回文子串**: - 动态规划:时间复杂度 $O(n^2)$,空间复杂度 $O(n^2)$。 - 中心扩展法:时间复杂度 $O(n^2)$,空间复杂度 $O(1)$。 - **最长回文子序列**: - 动态规划:时间复杂度 $O(n^2)$,空间复杂度 $O(n^2)$(可优化为 $O(n)$)。 #### 4. **应用场景** - **回文子串**:适用于需要连续对称结构的场景,如文本编辑器的拼写检查、DNA序列的连续回文识别。 - **最长回文子序列**:适用于非连续对称结构的场景,如基因序列分析、数据压缩中的模式匹配。 #### 5. **示例代码对比** - **回文子串**(动态规划): ```python def longest_palindrome_substring(s): n = len(s) dp = [[False] * n for _ in range(n)] max_len = 1 for i in range(n-1, -1, -1): for j in range(i, n): if s[i] == s[j]: if j - i <= 1 or dp[i+1][j-1]: dp[i][j] = True max_len = max(max_len, j-i+1) return max_len ``` - **最长回文子序列**(动态规划): ```python def longest_palindrome_subseq(s): n = len(s) dp = [[0] * n for _ in range(n)] for i in range(n-1, -1, -1): dp[i][i] = 1 for j in range(i+1, n): if s[i] == s[j]: dp[i][j] = dp[i+1][j-1] + 2 else: dp[i][j] = max(dp[i+1][j], dp[i][j-1]) return dp[0][n-1] ``` #### 表格总结 | **对比维度** | **回文子串** | **最长回文子序列** | |--------------------|----------------------------------|----------------------------------| | **连续性要求** | 必须连续 | 可不连续 | | **状态转移条件** | 依赖中间子串是否为回文 | 依赖左右子问题的最大值 | | **典型应用场景** | 文本对称性检测 | 基因序列分析 | | **初始化方式** | `dp[i][i] = True`(单字符回文) | `dp[i][i] = 1`(单字符长度为1) | ---
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