摆动序列问题解析与解法

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 ab

  • 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

  1. 初始化:变量 ab 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。
  2. 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。
  3. 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 ab

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。

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