摆动序列问题解析与解法
题目背景
给定一个整数数组 nums
,要求返回 nums
中作为摆动序列的最长子序列的长度。
摆动序列定义
如果连续数字之间的差严格地在正数和负数之间交替,则数字序列称为摆动序列。例如:
[1, 7, 4, 9, 2, 5]
是摆动序列,因为其差值为 (6, -3, 5, -7, 3),这是一组正负交替出现的数列。
输入输出示例
示例 1:
输入: nums = [1,7,4,9,2,5]
输出: 6
解释:整个序列都是摆动序列,差值为 (6, -3, 5, -7, 3),符合摆动序列的条件。
示例 2:
输入: nums = [1,17,5,10,13,15,10,5,16,8]
输出: 7
解释:这个序列包含多个长度为7的摆动子序列,其中一个为 [1, 17, 10, 13, 10, 16, 8]
。
示例 3:
输入: nums = [1,2,3,4,5,6,7,8,9]
输出: 2
解释:在这个序列中,摆动序列的最长子序列只能包含前两个不同的元素。
解题思路
1. 摆动序列的定义
摆动序列的差值是交替出现的:
- 先是一个正差(上升),然后是负差(下降),再然后是正差(上升),以此类推。
- 如果两个相邻元素相等,则无法定义为上升或下降。
2. 动态规划思路
我们可以使用动态规划来求解这个问题。为了简化,我们采用两个变量 a
和 b
:
a
:表示以当前位置结尾的“上升”摆动序列的长度。b
:表示以当前位置结尾的“下降”摆动序列的长度。
3. 更新规则
- 如果当前元素比前一个元素大,那么可以将当前元素加入到下降序列后,更新上升序列的长度:
a = b + 1
。 - 如果当前元素比前一个元素小,那么可以将当前元素加入到上升序列后,更新下降序列的长度:
b = a + 1
。 - 如果两个元素相等,当前序列无法继续更新,直接跳过。
4. 边界情况
- 如果数组长度小于2,直接返回数组的长度,因为长度为1或0的数组本身就是一个摆动序列。
5. 时间复杂度
由于我们只需要遍历数组一次,因此时间复杂度为 O(n)
,空间复杂度为 O(1)
。
代码实现
class Solution:
def wiggleMaxLength(self, nums: List[int]) -> int:
n = len(nums)
if n < 2: # 如果数组长度小于2,直接返回数组长度
return n
# 初始化:a为上升的最大序列长度,b为下降的最大序列长度
a, b = 1, 1 # 初始时,单个元素本身就是一个摆动序列
for i in range(1, n):
if nums[i] > nums[i - 1]: # 当前元素比前一个元素大,属于上升状态
a = b + 1 # 更新上升序列的长度
elif nums[i] < nums[i - 1]: # 当前元素比前一个元素小,属于下降状态
b = a + 1 # 更新下降序列的长度
# 如果 nums[i] == nums[i - 1],则不做任何更新
return max(a, b) # 返回上升和下降序列的最大值
代码解析
- 初始化:变量
a
和b
都初始化为 1,表示第一个元素本身就是一个长度为1的摆动序列。 - 遍历数组:从数组的第二个元素开始遍历:
- 如果当前元素大于前一个元素,表示我们有一个上升的序列,更新
a
。 - 如果当前元素小于前一个元素,表示我们有一个下降的序列,更新
b
。 - 如果两个元素相等,不做任何更新。
- 如果当前元素大于前一个元素,表示我们有一个上升的序列,更新
- 返回结果:最终结果是上升和下降序列长度中的最大值。
测试用例
# 测试用例 1
nums = [1, 7, 4, 9, 2, 5]
print(Solution().wiggleMaxLength(nums)) # 输出: 6
# 测试用例 2
nums = [1, 17, 5, 10, 13, 15, 10, 5, 16, 8]
print(Solution().wiggleMaxLength(nums)) # 输出: 7
# 测试用例 3
nums = [1, 2, 3, 4, 5, 6, 7, 8, 9]
print(Solution().wiggleMaxLength(nums)) # 输出: 2
# 测试用例 4
nums = [1, 2]
print(Solution().wiggleMaxLength(nums)) # 输出: 2
# 测试用例 5
nums = [1]
print(Solution().wiggleMaxLength(nums)) # 输出: 1
复杂度分析
- 时间复杂度:
O(n)
,我们只遍历了一遍数组。 - 空间复杂度:
O(1)
,只使用了常数空间来存储a
和b
。
总结
这个问题可以通过动态规划思想来解决,保持记录当前上升和下降的序列长度,然后根据当前元素的大小更新状态。通过这种方式,我们能够在 O(n)
时间内找到最优解。同时,我们也避免了使用额外的二维数组,从而降低了空间复杂度。