《最长单调子序列》基础概念

英雄哪里出来

墨衍会员 · AI 创作全网分发码龄17年

关注

原创 2025-06-19 09:01:17 1k 阅读 AI 写同款· GEO 优化 ›

算法入门竞赛经典动态规划动态规划入门动态规划的第二个解法阅读详情

文章目录

一、算法概述

问题定义：给定一个整数序列，找到其中最长的严格递增（递减）子序列的长度。子序列中的元素不需要连续，但必须保持原序列的顺序。例如，序列 [10, 9, 2, 5, 3, 7, 101, 18] 的最长递增子序列是 [2, 3, 7, 101]，长度为 4。
应用场景：该算法在生物信息学（DNA序列分析）、数据压缩和计算机视觉等领域有广泛应用。

二、算法思路

动态规划思想：维护一个辅助数组 g，其中 g[i] 表示长度为 i 的递增子序列的最小可能末尾元素。通过贪心策略和二分查找优化，高效地更新该数组。
核心策略：对于每个元素，尝试将其插入或替换到辅助数组 g 中的适当位置，以保持数组的单调性。插入位置由二分查找确定。
关键性质：
- 数组 g 始终保持严格递增。
- 数组 g 的长度即为当前找到的最长递增子序列的长度。

三、伪代码实现

算法：最长递增子序列（贪心+二分优化）
输入：数组 a[0..n-1]，数组长度 n
输出：最长递增子序列的长度

function getLIS(n, a[]):
    // g[i] 表示长度为 i+1 的递增子序列的最小末尾元素
    g[0..n-1]
    gSize = 0  // 当前最长递增子序列的长度
    
    for i = 0 to n-1:
        // 二分查找插入位置
        l = -1, r = gSize
        while l + 1 < r:
            mid = (l + r) / 2  // 向下取整
            if g[mid] >= a[i]:
                r = mid
            else:
                l = mid
        
        // 插入或替换操作
        if r == gSize:
            g[gSize] = a[i]
            gSize = gSize + 1
        else:
            g[r] = a[i]
    
    return gSize

// 主程序
输入 n
输入数组 a[0..n-1]
输出 getLIS(n, a)

四、算法解释

初始化阶段：
- 创建辅助数组 g 用于存储递增子序列的最小末尾元素。
- gSize 记录当前最长递增子序列的长度，初始为 0。
遍历处理每个元素：
- 二分查找：对于每个元素 a[i]，在 g 中找到第一个大于或等于 a[i] 的位置 r。
- 插入或替换：
  - 如果 r 等于当前 gSize，说明 a[i] 可以扩展当前最长子序列，将其添加到 g 的末尾。
  - 否则，将 g[r] 替换为 a[i]，以减小长度为 r+1 的子序列的末尾元素，为后续扩展提供可能。
示例演示：
- 输入数组 [3, 1, 2, 5, 4, 6]。
- 处理过程：
  - 处理 3：g = [3]，长度 1。
  - 处理 1：g = [1]，替换 3。
  - 处理 2：g = [1, 2]，扩展长度。
  - 处理 5：g = [1, 2, 5]。
  - 处理 4：g = [1, 2, 4]，替换 5。
  - 处理 6：g = [1, 2, 4, 6]，最终长度为 4。
正确性证明：
- 数组 g 始终保持严格递增，确保二分查找的正确性。
- 通过替换操作，贪心策略保证了每个长度的子序列末尾元素尽可能小，从而允许后续元素更容易扩展。

五、复杂度分析

时间复杂度： $O (n l o g n)$ ，其中 $n$ 是数组长度。每个元素的处理需要 $O (l o g n)$ 的二分查找。
空间复杂度： $O (n)$ ，主要用于存储辅助数组 g。
与朴素 DP 的对比：传统动态规划方法的时间复杂度为 $O (n^{2})$ ，而本算法通过贪心和二分优化将复杂度降低到 $O (n l o g n)$ ，适用于大规模数据。