动态规划-LIS

本文讨论了如何在给定序列中找到最长递增子序列及其算法实现,包括最优子结构分析和代码实现。

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

最长递增子序列(LIS)的问题是要找到一个给定序列的最长子序列的长度,使得子序列中的所有元素被排序的顺序增加。

例如,{10,22,9,33,21,50,41,60,80} LIS的长度是6和 LIS为{10,22,33,50,60,80}。

最优子结构:

对于长度为N的数组A[N] = {a0, a1, a2, …, an-1},假设假设我们想求以aj结尾的最大递增子序列长度,设为L[j],那么L[j] = max(L[i]) + 1, where i < j && a[i] < a[j], 也就是i的范围是0到j – 1。这样,想求aj结尾的最大递增子序列的长度,我们就需要遍历j之前的所有位置i(0到j-1),找出a[i] < a[j],计算这些i中,能产生最大L[i]的i,之后就可以求出L[j]。之后我对每一个A[N]中的元素都计算以他们各自结尾的最大递增子序列的长度,这些长度的最大值,就是我们要求的问题——数组A的最大递增子序列。

int LIS(int a[],int length) {
    int distance[length];
    for(int i=0;i<length;i++) {
        distance[i] = 1;
        for(int j=0;j<i;j++) {
            if(a[j]<a[i] && (distance[j]+1) > distance[i])
                distance[i] = distance[j]+1;
        }
    }
    int longestDistance = distance[0];
    for(int i=1;i<length;i++){
        if(distance[i] > longestDistance)
            longestDistance = distance[i];
    }
    return 0;
}
### 最长递增子序列(LIS)问题的动态规划解决方案 最长递增子序列(LIS)问题是动态规划中的经典问题之一,其目标是找到一个给定序列中最长的递增子序列。该子序列中的元素不必连续,但顺序必须保持不变,并且每个元素的值必须严格递增。 #### 动态规划解法的基本思路 动态规划解决LIS问题的核心思想是将问题分解为多个子问题,每个子问题定义为:以第 $ i $ 个元素结尾的最长递增子序列的长度。我们通过遍历序列中的每个元素,并检查其前面所有比它小的元素,来计算当前元素的最长递增子序列长度。 假设数组为 `a`,长度为 $ n $,定义一个数组 `L`,其中 `L[i]` 表示以第 $ i $ 个元素结尾的最长递增子序列的长度。初始时,`L[i] = 1`,因为每个元素本身就是一个长度为1的递增子序列。 状态转移方程如下: $$ L[j] = 1 + \max\{L[i] \mid i < j \text{ 且 } a[i] < a[j]\} $$ 最终,LIS 的长度是数组 `L` 中的最大值。 该算法的时间复杂度为 $ O(n^2) $,因为需要两层循环:外层循环遍历每个元素 $ j $,内层循环遍历所有 $ i < j $ 的元素以找到满足条件的最大值 [^4]。 #### 优化方法:贪心 + 二分查找(O(n log n)) 为了优化时间复杂度,可以使用贪心算法结合二分查找的方法,将时间复杂度降低到 $ O(n \log n) $。 维护一个数组 `container`,其中 `container[i]` 表示长度为 $ i+1 $ 的递增子序列的最小末尾元素。遍历原始数组中的每个元素 $ x $: 1. 如果 $ x $ 大于 `container` 的最后一个元素,则将其添加到 `container` 的末尾。 2. 否则,使用二分查找在 `container` 中找到第一个大于或等于 $ x $ 的元素,并将其替换为 $ x $。 最终,`container` 的长度即为最长递增子序列的长度 [^5]。 以下是该算法的 Python 实现: ```python import bisect def length_of_lis(nums): container = [] for num in nums: idx = bisect.bisect_left(container, num) if idx == len(container): container.append(num) else: container[idx] = num return len(container) ``` #### 示例 假设输入序列为 `[3, 4, -1, 5, 8, 2, 3, 12, 7, 9, 10]`,使用上述优化方法可以得到最长递增子序列为 `[-1, 2, 3, 7, 9, 10]`,其长度为6。 #### 算法对比 | 方法 | 时间复杂度 | 空间复杂度 | 是否能还原子序列 | |----------------|------------|------------|------------------| | 动态规划 | $ O(n^2) $ | $ O(n) $ | 是 | | 贪心 + 二分查找 | $ O(n \log n) $ | $ O(n) $ | 否 | 贪心 + 二分查找方法在时间效率上更优,但无法还原具体的子序列内容,而动态规划方法可以通过回溯还原子序列的具体元素。
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