最长递增子序列 (Longest Increasing Subsequence)

数据结构与算法之最长递增子序列 阅读详情

问题描述: 给定一个序列 An = a1 ,a2 ,  ... , an ,找出最长的子序列使得对所有 i < j ,ai < aj 。

显然,暴力算法的时间复杂度是 O(2n ) ,因为搜索空间呈指数级增长。对于这种问题,如果要找复杂度为多项式时间的算法,自然而然地会想到动态规划。首先,要找出一种方法把该问题分解成只有多项式个子问题。考虑 a n 。如果最长递增子序列不 包含 an ,则问题变成要在 An-1 中找最长递增子序列;否则,在 An-1 之中找最长子序列,且该子序列的最大值不能超 an ,然后再加上 an 。按照这个思路,我们可以用 OPT(i,x i ) 来表示Ai 之中最大值不超 x 的最长递增子序列的长度,则

      OPT(i,x) = max { OPT(i-1,x), ai <= x ? OPT(i-1, ai )+1 : OPT(i-1, x) }

而最终的解则是 OPT(n, max{a1 , a2 , ..., an }) 。现在的问题是,到底有多少个子问题?这取决于 x 有多少个取值。观察上述递归式可知, x 只可能取 An 中的值,因此最多有 n 可能的值。所以,子问题的数量为 O(n2 )个。而每个子问题都可以通过 O(1) 的时间获解,从而总的时间复杂度是 O(n2 ) 。实现这个算法的时候,为了能够使用一个二维的数组 S[n][n] 来存储状态,我们可以用数组 B 来保存排过序之后的 序列 b1 , b2 , ..., bn ,从而对所有 i < j ,bi < bj 。而 S[i][j] 表示 Ai 中最大值不超过 bj 的最长递增子序列的长度。

[c-sharp]  view plain copy
  1. copy A to B;  
  2. sort B by increasing order;  
  3. // initialize S[1][*]  
  4. for j from 1 to n  
  5.     if A[1] > B[j] then S[1][j] := 0  
  6.     else S[1][j] := 1  
  7. end  
  8. for i from 2 to n  
  9.     for j from 1 to n  
  10.         if A[i] > B[j] then S[i][j] := S[i-1][j]  
  11.         else   
  12.             find the index k of A[i] in B[j]; // k <= j  
  13.             S[i][j] := max( S[i-1][j], S[i-1][k]+1 )  
  14.         end  
  15.     end  
  16. end  
  17. return S[n][n]  

上述的实现中,第12行代码,我们可以使用一个哈希表来实现。我们可以看到,这个实现并不优美,既要一个额外的数组 B 和一次排序,还要动用一个哈希表。可以说,我们对这个算法并不满意。

那么,有没有更好一些的算法呢?注意到排序之后,我们得到新的序列 B,那么,显然,A 中最长的递增子序列也是序列 B 的子序列。因此,我们可以应用求两个序列的最长公共子序列的经典算法来求解,时间复杂也是 O(n2 )。这样,我们就省去了使用哈希表的“不雅之举”。然而,最长公共子序列是一个更一般的算法,它不要求在序列的元素之间有序关系 。那么,我们能不能利用本问题中元素之间的序关系来设计一个优美的算法呢?答案是肯定的。注意中在上面的算法中(姑且称为算法1吧),一共有 O(n2 ) 个子问题。事实上,我们从另外的角度看这个问题,从而获得只有 O(n) 中子问题的算法,只不过,计算每个子问题需要 O(n) 的时间。

首先,假设 An 中最长递增子序列 L 的最后一个元素是 at 。考虑 L 中在 at 之前的元素 ak ,则 ak <= at ,并且 L 由在 Ak 中包含 ak 的最长递增子序列和 a t 组成。因此,用 OPT(i) 来表示 Ai 中包含 ai 的最长递增子序列。因为 L 的最后一个元素必定在 An 中,因此,L 的长度为 OPT(1), OPT(2), ..., OPT(n) 中的最大值。这也证明了此算法的正确性。接下的问题就是如何计算OPT(i)。事实上,

      OPT(i) = max { OPT(j) |  j < i 且 aj < ai }

也就是说,通过遍历一次 已经计算好的 OPT(1), OPT(2), ..., OPT(i-1) 就可以计算出 OPT(i),其时间复杂度为 O(i)。总的时间复杂度为 O(1) + O(2) + ... + O(n-1) = O(n2 )。

[cpp]  view plain copy
  1. // Let S[i] be OPT(i)  
  2. S[1] := 1  
  3. L := S[1]  
  4. for i from 2 to n  
  5.     S[i] := 1 // at least contain A[i]  
  6.     for j from 1 to i-1  
  7.         if A[j] < A[i] then S[i] := max( S[i], S[j]+1 )  
  8.     end  
  9.     L := max( L, S[i] )  
  10. end  
  11. return L  

相比之一,这个算法的实现就很干净和优美,且不容易出错。

O(n2 ) 的时间复杂度似乎已经是很不错了。那么,有没有更快的算法?事实上,存在 O(n logk ) 的算法,其中 k为最长递增子序列的长度。为了达到这个时间复杂度,就需要费点脑筋了。考虑 Ai = a1 , a2 , ..., ai 。记Tail(X) 为递增序列 X 的最后一个元素(尾元素),令 Ri,j 表示 Ai 中所有长度为 j 的递增子序列的集合。在所有属于 R i,j 的序列的尾元素中,必有一个最小值 ,记为用 mi,j 。则

观察一 :   对任何 i,mi,1 <= mi,2 <= ... <= mi,j 。 

因此,如果我们想找以 ai+1 结尾的最长递增子序列,则只要找到 k ,使得 mi,k < ai+1 <= mi,k+1 ,并且该最长递增子序列的长度为 k+1 。对于这个搜索过程,利用上述观察一,可以使用二分法搜索 (binary search)。同时,我们注意到

观察二 :   mi+1,k+1 = ai+1 , 且对于所有 t 不等于 k+1 , mi+1,t = mi,t 。

同时,注意到计算 mi+1,* 只需要用到 mi,* ,因此,我们可以用 K[j] 来表示 mi,j 在 Ai 中的下标。当计算在 Ai+1上进行时,我们只需在 K 中找到一个元素 k ,使得 mi,k < ai+1 <= mi,k+1 ,然后更新 K[k+1] ,这时,K[j] 就可以表示 mi+1,j 在 Ai+1 中的下标了。

[cpp]  view plain copy
  1. L := 0  
  2. for i from 1 to n  
  3.     find j in K such that A[K[j]] < A[i] <= A[K[j+1]] by binary search; if no such j, then set j := 0  
  4.     P[i] := K[j]  
  5.     if j == L or A[i] < A[K[j+1]] then  
  6.         K[j+1] := i  
  7.         L := max( L, j+1 )  
  8.     end  
  9. end  
  10. return L  

其中,P[k] 记录了以 ak 结尾的最长递增子序列的前一个元素在 An 中的下标。通过数组 P,我们就可以求出最长递增子序列,为

        ..., A[P[P[L]]], A[P[L]], A[L]。从上述伪代码可以看出,总的时间复杂度为 O(n logL )。

 

注:这是一道经典的题目。本人解这道题时,想到了第一种算法,在脑子里写出了大概的递归方程。然而,当真正在纸上写下来并建立一个二维的状态表时,才意识到问题没那简单。一开始,我的递归方程是 OPT(i,x) = max { OPT(i-1,x),  OPT(i-1, min(x, ai ))+1  } 。这是不对的,但似乎不太容易发现,直到建立状态时,我才发现。而且,这个算法对于有重复元素的序列也存在问题,需要进一步修正。而第二个算法则是比较普遍的动态规划解,该算法优美,且对任何序列都不会有问题。最后一个算法则是参考了Algorithmist 上的一篇文章 。同时,该文章也给出 C/C++ 实现。以前解类似的动态规划问题时,总只是在脑子里把递归方程过一遍就觉得OK了,看来,以后要尽量把方程精确写出来并画画状态表。同时,也可以进一步思考更优美的动太规划算法,例如第二个算法。前两个算法都是典型的动态规划思路,但显然,第二个算法的状态要少,也更好。自勉之。

最长递增子序列(LIS)的三种算法 最长递增子序列:给定一个长度为N的数组,找出一个最长的单调递增子序列,子序列不一定连续,但初始顺序不能乱。 比如数组A={1,3,4,2,5},其最长递增子序列为1,3,4,5 方法一:最长公共子序列法 对于给定长度为N的数组A: 使数组B为排序后的数组A (O(NlogN)) 求出A与B的最长公共子序列(LCS) (O(N2)) 对求得的公共子序列进行去重 (O(N)... 阅读详情

相关推荐

最长递增子序列详解(longest increasing subsequence)

一个各公司都喜欢拿来做面试笔试题的经典动态规划问题,互联网上也有很多文章对该问题进行讨论,但是我觉得对该问题的最关键的地方,这些讨论似乎都解释的不很清楚,让人心中不快,所以自己想彻底的搞一搞这个问题,希望能够将这个问题的细节之处都能够说清楚。 对于动态规划问题,往往存在递推解决

joylnwang的专栏 7万+

最长递增子序列问题(你真的会了吗)

1.对应牛客网链接2.题目描述: 3.解题思路下面以[5,7,1,9,4,6,2,8,3]为例:4.对应代码:1.对应牛客网链接:2.题目描述: 3.解题思路:4.对应代码:1.对应letecode链接:2.题目描述:3.解题思路4.对应代码:...

qq_56999918的博客 9635

C/C++ longest increasing subsequence 最长递增子序列算法详解及源码

算法的基本思想是遍历给定序列中的每个元素,记录以该元素结尾的最长递增子序列的长度。通过比较当前元素与前面的元素,可以确定以当前元素结尾的最长递增子序列的长度。在遍历过程中,保持一个数组dp,其中dp[i]表示以第i个元素结尾的最长递增子序列的长度。最长递增子序列(Longest Increasing Subsequence)算法是一种动态规划算法,用于找到一个给定序列中最长的严格递增的子序列。这个子序列可以不连续,但元素的顺序必须保持递增。

希望我的博客,能帮上你解决学习中工作中所遇到的问题 2904

最长递增子序列

问题 给定一个长度为N的数组,找出一个最长的单调自增子序列(不一定连续,但是顺序不能乱)。例如:给定一个长度为6的数组A{5, 6, 7, 1, 2, 8},则其最长的单调递增子序列为{5,6,7,8},长度为4. 解法1:最长公共子序列法 这个问题可以转换为最长公共子序列问题。如例子中的数组A{5,6, 7, 1, 2, 8},则我们排序该数组得到数组A‘{1, 2, 5, 6, 7,...

切梦 5419

京东风控算法工程师带你解读Action Model-精细化运营(上篇)

电影《蝴蝶效应》中,男主拥有回到童年改变过去的能力,虽然在剧中男主一次次穿越时空拯救世界,但由于他无法预见自己做出的抉择对未来产生的其他影响,最终还是没能阻止悲剧的发生。可见,一个好的决策需要衡量其对未来产生的影响。JDD风控算法团队本期为大家解惑最优决策难题的解决方法-Action Model。

JDD风控算法的博客 1917

谷歌学术用publish-or-perish来对引用量排序

用谷歌学术搜索文献的时候发现不能按照引用量高低进行排序,网上提供了这个软件。 下载地址如下:Publish or Perish (harzing.com)https://harzing.com/resources/publish-or-perish 关于软件界面页面和各种指标的介绍,可以参考中科大的这个PPT: 文献分析软件——publish or perish(精品·公开课件).ppt (book118.com)https://max.book118.com/html/2018/1124/813

m0_48878989的博客 1万+

如何给dropdownlist动态赋初始值_动态规划设计方法:归纳思想解决 LIS

读完本文,你可以去力扣拿下如下题目:300.最长上升子序列-----------也许有读者看了前文 动态规划详解,学会了动态规划的套路:找到了问题的「状态」,明确了 dp 数组/函数的含义,定义了 base case;但是不知道如何确定「选择」,也就是不到状态转移的关系,依然写不出动态规划解法,怎么办?不要担心,动态规划的难点本来就在于寻找正确的状态转移方程,本文就借助经典的「最长递增子序列问题」...

weixin_39619635的博客 624

OpenCV实战:5分钟搞定图像拼接(附Python代码)

本文通过OpenCV实战教程,详细讲解如何使用Python在5分钟内完成图像拼接。重点介绍`findHomography`函数和单应性矩阵的应用,提供完整的代码示例和常见问题解决方案,帮助开发者快速掌握图像拼接技术。

weixin_26833503的博客 121

最长递增子序列(Longest Increasing Subsequence)

定义 最长上升子序列(Longest Increasing Subsequence,LIS),在计算机科学上是指一个序列中最长的单调递增的子序列。 问题描述 给定一个长度为 N 的数组,找出一个最长的单调自增子序列(不一定连续,但是顺序不能乱)。例如:给定一个长度为 5 的数组{5, 6, 1, 2, 8},则其最长的单调递增子序列为 {5,6,8},长度为 3。 解法 动态规划 时间复杂度 该方法的时间复杂度为 。 实现过程 下面我们用一个实例来分析一下动态规划求解 LIS 的整个过程。

努力中的老周的专栏 4370

结合 Conda 手动安装 RepeatMasker

RepeatMasker 是一个广泛使用的生物信息学工具,用于识别和屏蔽(mask)基因组序列中的 重复序列(repeats) 。在使用过程中需要调用重复序列数据库(Repbase 和 Dfam),如果使用Conda安装的话会出现许多问题,因此推荐手动安装。在此记录我手动安装RepeatMasker的流程,希望对各位同学有所帮助。

m0_65437087的博客 2538

【AI大模型应用开发】【RAG评估】0. 综述:一文了解RAG评估方法、工具与指标

本文主要总结了当前比较流行的RAG评估方法和指标。当前AI技术的快速发展,RAG和RAG评估是当前比较有前景的发展方向,不断有新的评估工具和理论被提出,让我们持续跟进,了解这些工具和理论,从而在使用时知道如何选择。

同学小张的博客 6833

算法: 最长递增子序列300. Longest Increasing Subsequence

300. Longest Increasing Subsequence Given an integer array nums, return the length of the longest strictly increasing subsequence. A subsequence is a sequence that can be derived from an array by deleting some or no elements without changing the order of t

AI架构师易筋 4422

基于Keil软件实现对射式红外传感器计次 (江协科技HAL库)

用HAL库复现江协科技,让嵌入式学习之路更顺畅。

2401_82728381的博客 800

LeetCode - 673. Number of Longest Increasing Subsequence(最长递增子序列的个数)

LeetCode - 673. Number of Longest Increasing Subsequence(最长递增子序列的个数) 题目链接 题目 解析 做这题之前先要知道求一个数组的最长递增子序列。 做法: 求出最长递增子序列的长度(max),可以用记忆化也可以递推; 然后遍历数组,看以哪些数结尾的序列是最长序列,然后对每一个这样的序列进行递归处理,从后往前求以这个结尾的最长序列的个数...

zxzxin的博客~ 369

2026年软考高级网络规划设计师第三版备考笔记

删除了所有已退出主流应用、行业淘汰的技术内容,如 HDLC、xDSL、WiMAX、HSRP/GLBP 等,让教材内容更聚焦当下一线网络工程实际场景,剔除无效考点。

鹿鸣天涯 1222

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

算法系列——最长递增子序列(Longest Increasing Subsequence)

Given an unsorted array of integers, find the length of longest increasing subsequence. For example, Given [10, 9, 2, 5, 3, 7, 101, 18], The longest increasing subsequence is [2, 3, 7, 101], therefore the leng

BridgeGeorge 1497

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

最长递增子序列-Longest Increasing Subsequence

动态规划的经典题! package DP; import java.util.Arrays; public class LIS { public static void main(String[] args) { int[] A = {5,3,4,8,6,7}; System.out.println(lis(A)); System.out.println(lis

1832

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

[LeetCode] Longest Increasing Subsequence 最长递增子序列

Given an unsorted array of integers, find the length of longest increasing subsequence. For example, Given[10, 9, 2, 5, 3, 7, 101, 18], The longest increasing subsequence is[2...

weixin_34162401的博客 130

最长递增子序列(Longest increasing subsequence)

问题定义: 给定一个长度为N的数组A,找出一个最长的单调递增子序列(不要求连续)。 这道题共3种解法。 1. 动态规划 动态规划的核心是状态的定义和状态转移方程。定义lis(i),表示前i个数中以A[i]结尾的最长递增子序列的长度。可以得到以下的状态转移方程: d(i) = max(1, d(j) + 1), 其中j < i,且A[j] <=...

weixin_33817333的博客 285

最长递增子序列(Longest Increasing Subsequence)-C语言实现

最长递增子序列 动态规划 C语言

Jasonchen1224的博客 2699

最长递增子序列longest increasing subsequence

Given a sequence of integers, find the longest increasing subsequence (LIS). You code should return the length of the LIS. Have you met this question in a real interview? Example For [5, 4, 1, 2, ...

就是这个七昂的博客 581

python 实现longest increasing subsequence最长递增子序列算法

输出为4,表示最长递增子序列为[10, 22, 33, 60]。

luthane的博客 669

动态规划之最长递增子序列(Longest Increasing Subsequence)

原文地址:http://www.geeksforgeeks.org/dynamic-programming-set-3-longest-increasing-subsequence/ We have discussed Overlapping Subproblems and Optimal Substructure properties in Set 1 and Set 2respect

K.Sun 4219

【小白笔记】最长递增子序列(Longest Increasing Subsequence, 简称 LIS)

结尾的最长 LIS 长度,而是维护一个特殊的数组。时,我们可以向前看所有。这是解决 LIS 问题的。

weixin_70325224的博客 703
上一篇: SQL Server 查询处理中的各个阶段(SQL执行顺序)
下一篇: Catalan数(卡特兰数)
overstack
博客等级 码龄14年 115粉丝 55原创
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
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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