最长回文子序列

本文介绍了解决LeetCode 516题——最长回文子序列的方法,采用动态规划法实现。通过填充二维数组来记录不同长度子串的最大回文子序列长度,并最终得到整个字符串的最长回文子序列长度。

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

Leetcode 516. Longest Palindromic Subsequence

解法:动态规划法

class Solution {
public:
	int longestPalindromeSubseq(string s) {
		int n = s.length();
		if (n==0)
		{
			return 0;
		}
		int longest_num = 1;
		vector<vector<int>> dp(n, vector<int>(n, 0));
		for (int i = 0; i < n;i++)
		{
			dp[i][i] = 1;
		}
		for (int len = 1; len < n;len++)
		{
			for (int i = 0; i + len < n;i++)
			{
				int end = i + len;
				if (s[i] == s[end])
				{
					dp[i][end] = dp[i + 1][end - 1] + 2;
					if (dp[i][end] > longest_num)
					{
						longest_num = dp[i][end];
					}
				}
				else
				{
					dp[i][end] = max(dp[i + 1][end], dp[i][end - 1]);
				}
			}
		}
		return longest_num;
	}
};

### 最长回文子序列问题中的字典算法 对于最长回文子序列问题,通常的目标是最小化或最大化其字典。这意味着,在找到具有最大长度的回文子序列之后,还需要进一步优化这些列的排列方式以满足特定条件。 #### 动态规划解决最长回文子序列 动态规划是一种常见的解决方案来计算最长回文子序列的长度[^2]。然而,当涉及到字典时,我们需要扩展基本的动态规划方法,以便不仅记录长度还记录具体的列及其字典顺。 以下是基于动态规划的方法并结合字典处理的一个实现: ```python def longest_palindromic_subsequence(s): n = len(s) dp = [[[] for _ in range(n)] for __ in range(n)] # 初始化单字符的情况 for i in range(n): dp[i][i].append(s[i]) # 构建dp表 for length in range(2, n + 1): # 串长度从2到n for start in range(n - length + 1): end = start + length - 1 if s[start] == s[end]: temp = [s[start] + subseq + s[end] for subseq in dp[start + 1][end - 1]] dp[start][end] = min(temp, key=lambda x: (len(x), x)) # 使用最小字典 else: left_sequences = dp[start][end - 1] right_sequences = dp[start + 1][end] merged = list(set(left_sequences + right_sequences)) dp[start][end] = sorted(merged, key=lambda x: (-len(x), x))[0:] # 排按长度降和字典升 result_list = dp[0][n - 1] final_result = min(result_list, key=lambda x: (len(x), x)) # 获取最终结果 return final_result # 测试用例 print(longest_palindromic_subsequence("bbbab")) # 输出:"bbbb" print(longest_palindromic_subsequence("cbbd")) # 输出:"bb" ``` 上述代码通过构建二维数组 `dp` 来存储每一对索引之间的所有可能的回文子序列,并利用 Python 的内置函数对它们按照长度优先、其次字典的方式排[^3]。 #### 时间复杂度分析 此方法的时间复杂度主要由两部分组成:一是填充 DP 表的过程 \( O(n^2) \),二是每次更新过程中涉及的列表操作(如去重、排),这可能会增加额外开销至 \( O(k\log k) \),其中 \( k \) 是当前状态下的候选列数量。因此整体时间复杂度接近于 \( O(n^3) \)[^4]。 #### 空间复杂度分析 由于需要保存所有的中间状态以及对应的列集合,空间需求较高,大约为 \( O(n^2) \). --- ###
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