最长公共上升子序列

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,现在又让他们研究最长公共上升子序列了。

小沐沐说,对于两个数列 A和 B,如果它们都包含一段位置不一定连续的数,且数值是严格递增的,那么称这一段数是两个数列的公共上升子序列,而所有的公共上升子序列中最长的就是最长公共上升子序列了。

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序列。

不过,只要告诉奶牛它的长度就可以了。

数列 A 和 B 的长度均不超过 30003000。

输入格式

第一行包含一个整数 N,表示数列 A,B的长度。

第二行包含 N 个整数,表示数列 A。

第三行包含 N 个整数,表示数列 B。

输出格式

输出一个整数,表示最长公共上升子序列的长度。

数据范围

1≤N≤3000,序列中的数字均不超过231−12^{31}-12311

输入样例:
4
2 2 1 3
2 1 2 3
输出样例:
2

最长上升子序列和最长公共子序列的结合,状态表示有所变化

状态表示:

​ 集合:f[i,j] 表示所有在A[1…i]和B[1…j]中都出现过,且以B[j]结尾的公共上升子序列的集合

​ 属性:最大值

状态计算:

请添加图片描述

​ 所有在A[1…i]和B[1…j]中出现,且不包含A[i]就等价于 倒数第二个数是B[k]

​ 所有在A[1…i - 1] 和 B[1…j]中出现的公共上升子序列f[i - 1, j]

  • 初步代码
  #include <iostream>
  #include <cmath>
  #include <algorithm>
  #include <cstdio>
  
  using namespace std;
  const int N = 3005;
  int a[N],b[N],n;
  int f[N][N];
  int main(){
      cin >> n;
      for(int i = 1; i <= n; i ++) cin >> a[i];
      for(int j = 1; j <= n; j ++) cin >> b[j];
      
      for(int i = 1; i <= n; i ++){
          for(int j = 1; j <= n; j ++){
              f[i][j] = f[i - 1][j];
              if(a[i] == b[j]){
                  int maxv = 1;
                  for(int k = 1; k < j; k ++){
                      if(b[k] < b[j]){
                          maxv = max(maxv, f[i - 1][k] + 1);
                      }
                  }
                  f[i][j] = max(maxv, f[i][j]);
              }
          }
      }
      
      int res = 0;
      for(int i = 1; i <= n; i ++) res = max(res, f[n][i]);
      cout << res << endl;
      return 0;
  }
  • 优化

    现在数据范围是3000,肯定过不了需要优化,我们只能优化掉k层

    k层的作用就是找到B[j]前面的B[k]对应的f[i - 1,k] + 1的最大值

    在这里插入图片描述

    但是这样我们每有一个新的j就会从头开始遍历一次寻找最大值,这样我们就多了很多重复的操作。我们可以用类似前缀和的思想将我们所求到的前几个的最大值存起来,这样添加新的j 就只用和maxv比较,不用所有都遍历了。所有的j公用maxv变量,所以就可以将maxv提到前面去。

  • 优化版本

  #include <iostream>
  #include <cmath>
  #include <algorithm>
  #include <cstdio>
  
  using namespace std;
  const int N = 3005;
  int a[N],b[N],n;
  int f[N][N];
  int main(){
      cin >> n;
      for(int i = 1; i <= n; i ++) cin >> a[i];
      for(int j = 1; j <= n; j ++) cin >> b[j];
      
      for(int i = 1; i <= n; i ++){
          int maxv = 1;
          for(int j = 1; j <= n; j ++){
              f[i][j] = f[i - 1][j];
              
              // 更新
              if(a[i] == b[j]){
                  f[i][j] = max(maxv, f[i][j]);
              }
              // 求前面最大的
              if(b[j] < a[i]){
                  maxv = max(maxv,f[i - 1][j] + 1);
              }
          }
      }
      
      int res = 0;
      for(int i = 1; i <= n; i ++) res = max(res, f[n][i]);
      cout << res << endl;
      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
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