CODE[VS] 最长公共上升子序列(LCIS)(序列型DP)

本文介绍了一种寻找两个数列中最长公共上升子序列的方法,通过动态规划算法解决该问题,并给出了具体的实现代码。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

2185 最长公共上升子序列
时间限制: 1 s
空间限制: 32000 KB
题目等级 : 钻石 Diamond
题解
题目描述 Description
熊大妈的奶牛在小沐沐的熏陶下开始研究信息题目。小沐沐先让奶牛研究了最长上升子序列,再让他们研究了最长公共子序列,现在又让他们要研究最长公共上升子序列了。
小沐沐说,对于两个串A,B,如果它们都包含一段位置不一定连续的数字,且数字是严格递增的,那么称这一段数字是两个串的公共上升子串,而所有的公共上升子串中最长的就是最长公共上升子串了。
奶牛半懂不懂,小沐沐要你来告诉奶牛什么是最长公共上升子串。不过,只要告诉奶牛它的长度就可以了。

输入描述 Input Description
第一行N,表示A,B的长度。
第二行,串A。
第三行,串B。

输出描述 Output Description
输出长度。

样例输入 Sample Input
4
2 2 1 3
2 1 2 3

样例输出 Sample Output
2

数据范围及提示 Data Size & Hint
1<=N<=3000,A,B中的数字不超过maxlongint

思路:
dp[i][j] 表示串a的前i个元素和串b的前j个元素且以b[j]为末尾的最长公共上升子序列的长度。这样我们可以知道b串每个元素的最优解,而且一定存在a串与b串都存在最优解。
方程:
1、dp[i][j] = dp[i-1][j](a[i] != b[j]) 2、dp[i][j] = max(dp[i-1][j],maxn) (a[i] > b[j]) 3、dp[i][j] = maxn + 1;(a[i] == b[j])
首先如果元素不同的话,当前状态不变。这时候我们就判一下当前的状态是否可以更新最大值,不断更新。
其次,如果两元素相同,两串的LCS的长度加1。为什么呢,因为这样不会令答案更差。
然后我们发现,下一个的状态是取决于上一个的,也就是由dp[i-1][j-1]转移而来的,那么我们也可以采取滚动数组的形式来优化一维空间,就像背包问题那样。

#include<bits/stdc++.h>
using namespace std;
const int maxn = 3000 + 10;
int n,a[maxn],b[maxn],dp[maxn];
int main()
{
    scanf("%d",&n);
    memset(dp,0,sizeof(dp));
    for(int i = 1;i <= n;i ++)
        scanf("%d",&a[i]);
    for(int i = 1;i <= n;i ++)  
        scanf("%d",&b[i]);
    for(int i = 1;i <= n;i ++)
    {   
        int maxn = 0;
        for(int j = 1;j <= n;j ++)
        {
            if(a[i] > b[j]) maxn = max(maxn,dp[j]);
            if(a[i] == b[j]) dp[j] = maxn + 1;
        }
    }
    int ans = 0;
    for(int i = 1;i <= n;i ++) 
    ans = max (ans,dp[i]);
    printf("%d",ans);
    return 0;
}
### 最长公共上升子序列 (LCIS) 的动态规划解法 #### 定义与背景 最长公共上升子序列(Longest Common Increasing Subsequence, LCIS)是指给定两个序列 $X$ 和 $Y$,找到一个既是最长的又是严格递增的子序列,这个子序列同时属于 $X$ 和 $Y$。这个问题可以被看作是 **最长公共子序列** (LCS)和 **最长上升子序列** (LIS)问题的一个组合。 对于两个输入序列 $X = \{x_1, x_2, ..., x_m\}$ 和 $Y = \{y_1, y_2, ..., y_n\}$,目标是找出它们之间的 LCIS[^4]。 --- #### 动态规划的状态定义 设 $dp[i][j]$ 表示以 $X_i$ 结尾并与 $Y_j$ 对应的最长公共上升子序列的长度,则状态转移方程如下: $$ dp[i][j] = \begin{cases} 0 & 如果 i=0 或 j=0 \\ max(dp[k][l]) + 1 & 如果 X[i]=Y[j], 并且 k<i,l<j,X[k]<X[i]\\ dp[i][j-1] & 否则 \end{cases} $$ 其中,如果当前字符相等 ($X[i]==Y[j]$),我们需要进一步检查之前所有的可能匹配位置 $(k,l)$ 来确保它是递增的,并更新最大值。 --- #### 时间复杂度分析 上述方法的时间复杂度较高,因为每次都需要遍历之前的元素来验证是否构成递增关系。因此总时间复杂度为 $O(mn^2)$ 或更高取决于具体实现方式。为了优化此过程,可以通过记录前驱索引来减少重复计算,从而降低到更优的时间复杂度如 $O(nm)$。 以下是基于 Python 的一种高效实现版本: ```python def lcis(X, Y): m, n = len(X), len(Y) # 初始化 DP 数组以及用于追踪路径的 prev 数组 dp = [[0]*(n+1) for _ in range(m+1)] prev = [[None]*(n+1) for _ in range(m+1)] max_len = 0 pos = -1 for i in range(1,m+1): for j in range(1,n+1): if X[i-1] == Y[j-1]: temp_max = 0 for p in range(j): if Y[p-1] < Y[j-1] and dp[i-1][p] > temp_max: temp_max = dp[i-1][p] dp[i][j] = temp_max + 1 if dp[i][j] > max_len: max_len = dp[i][j] pos = j else: dp[i][j] = dp[i][j-1] result = [] while pos is not None: result.append(Y[pos-1]) next_pos = prev[m][pos] pos = next_pos return list(reversed(result)) # 测试数据 print(lcis([3,4,9,1],[5,3,8,9,10,2,1])) # 输出可能是 [3,9,1] ``` 注意这段代码中的 `prev` 跟踪数组是为了方便最后重建实际的 LCIS 序列。 --- #### 总结 通过动态规划的方法求解最长公共上升子序列问题时,关键是合理设计状态表示并有效利用历史信息完成最优决策。尽管基础版算法存在较高的时间开销,但借助额外存储结构能够显著提升效率至可接受范围之内。
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