最长回文子序列

本文介绍了一种求解最长回文子序列问题的动态规划算法,并提供了具体实现代码。该算法采用双层循环,时间复杂度为O(n^2),空间复杂度同样为O(n^2)。


          和lcs差不多,也可以用递归来写,但是会重复处理很多次,所以还是考虑用动态规划来写。它的动态转移方程为

                 

str[i]==str[j]时,i->j的最长回文子序列就等于,在 i->j 之间上一个最长回文子序列的基础上+2

str[i]!=str[j]时,i->j的最长回文子序列就等于在i+1->j 和 i->j-1中最长回文子序列较长的一个

最终的dp[0][len-1]就是最长回文子序列。


实现代码:

#include <iostream>
#include <cstdio>
#include <cstring>
#define Max(a,b) a>b?a:b
using namespace std;
int dp[1500][1500];

int main()
{
	string str;
	while(cin>>str){
		int len = str.length();
		memset(dp,0,sizeof(dp));
		for(int i=len-1;i>=0;i--){
			dp[i][i] = 1;
			for(int j=i+1;j<len;j++){
				if(str[i] == str[j])dp[i][j] = dp[i+1][j-1] + 2;
				else dp[i][j] = Max(dp[i][j-1],dp[i+1][j]);
			}
		}
		printf("%d\n",dp[0][len-1]);
	}
	return 0;
}

           这个是n^2的时间复杂度,空间也是n^2的,还有一种空间优化的空间为n的复杂度,等以后遇到了再补吧。



### 最长回文子序列问题中的字典序算 对于最长回文子序列问题,通常的目标是最小化或最大化其字典序。这意味着,在找到具有最大长度的回文子序列之后,还需要进一步优化这些子序列的排列方式以满足特定条件。 #### 动态规划解决最长回文子序列 动态规划是一种常见的解决方案来计算最长回文子序列的长度[^2]。然而,当涉及到字典序时,我们需要扩展基本的动态规划方,以便不仅记录长度还记录具体的子序列及其字典顺序。 以下是基于动态规划的方并结合字典序处理的一个实现: ```python def longest_palindromic_subsequence(s): n = len(s) dp = [[[] for _ in range(n)] for __ in range(n)] # 初始化单字符的情况 for i in range(n): dp[i][i].append(s[i]) # 构建dp表 for length in range(2, n + 1): # 子串长度从2到n for start in range(n - length + 1): end = start + length - 1 if s[start] == s[end]: temp = [s[start] + subseq + s[end] for subseq in dp[start + 1][end - 1]] dp[start][end] = min(temp, key=lambda x: (len(x), x)) # 使用最小字典序 else: left_sequences = dp[start][end - 1] right_sequences = dp[start + 1][end] merged = list(set(left_sequences + right_sequences)) dp[start][end] = sorted(merged, key=lambda x: (-len(x), x))[0:] # 排序按长度降序和字典升序 result_list = dp[0][n - 1] final_result = min(result_list, key=lambda x: (len(x), x)) # 获取最终结果 return final_result # 测试用例 print(longest_palindromic_subsequence("bbbab")) # 输出:"bbbb" print(longest_palindromic_subsequence("cbbd")) # 输出:"bb" ``` 上述代码通过构建二维数组 `dp` 来存储每一对索引之间的所有可能的回文子序列,并利用 Python 的内置函数对它们按照长度优先、其次字典序的方式排序[^3]。 #### 时间复杂度分析 此方时间复杂度主要由两部分组成:一是填充 DP 表的过程 \( O(n^2) \),二是每次更新过程中涉及的列表操作(如去重、排序),这可能会增加额外开销至 \( O(k\log k) \),其中 \( k \) 是当前状态下的候选子序列数量。因此整体时间复杂度接近于 \( O(n^3) \)[^4]。 #### 空间复杂度分析 由于需要保存所有的中间状态以及对应的子序列集合,空间需求较高,大约为 \( O(n^2) \). --- ###
评论 3
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