Leetcode 300.最长递增子序列

文章介绍了如何找到整数数组中的最长递增子序列,分别使用动态规划和二分查找的方法,给出了对应的时间复杂度,并提供了C++代码实现。

给你一个整数数组 nums ,找到其中最长严格递增子序列的长度。

子序列 是由数组派生而来的序列,删除(或不删除)数组中的元素而不改变其余元素的顺序。例如,[3,6,2,7] 是数组 [0,3,1,6,2,2,7] 的子序列。

示例 1:

输入:nums = [10,9,2,5,3,7,101,18]
输出:4
解释:最长递增子序列是 [2,3,7,101],因此长度为 4 。

示例 2:

输入:nums = [0,1,0,3,2,3]
输出:4

示例 3:

输入:nums = [7,7,7,7,7,7,7]
输出:1

提示:

  • 1 <= nums.length <= 2500
  • -104 <= nums[i] <= 104

方法一:动态规划

定义一个数组dp[n],dp[i]表示以nums[i]结尾的最长上升子序列

可以得到状态转移方程:dp[i]=max(dp[j])+1,其中满足nums[i]>nums[j]

时间复杂度为O(n^2)

附上代码

#include<cstdio>
#include<algorithm> 
using namespace std;
int nums[100005],dp[100005];
int main()
{
	int n,ans=0;
	scanf("%d",&n);
	for(int i=1;i<=n;i++)
	scanf("%d",&nums[i]);
	for(int i=1;i<=n;i++)
	{
		dp[i]=1;//dp[i]初值为1,即上升序列只有它自己 
		for(int j=i-1;j>0;j--) 
		{
			if(nums[i]>nums[j])//如果nums[i]>nums[j],则满足上升要求,可以转移 
			dp[i]=max(dp[i],dp[j]+1);
		}
		ans=max(ans,dp[i]);//统计答案 
	}
	printf("%d",ans);
	return 0;
} 

方法二

我们维护一个数组up[],它代表目前的最长上升子序列

遍历数组nums[],如果nums[i]>up[t](t表示up中的最后一个),则将nums[i]加入数组up[]中

如果nums[i]<up[t],就找到数组up中第一个大于nums[i]的数,并将它替换

例如:nums为{2,5,7,3,9,4,6,8}

当nums[i]=3时,up为{2,5,7},将up中的5替换为3。这样操作不会影响以2,5,7开头的答案,因为大于5的数一定大于3。举个栗子:{2,5,7,8}变为了{2,3,7,8}(虽然nums中不存在这样的上升序列),但并不影响答案长度。并且可能会带来更优解,如{2,3,4,6,8}。

因为up[]是单调递增的,所以查找元素可以使用二分

时间复杂度为O(nlogn)

附上代码

#include<cstdio>
using namespace std;
int nums[100005],up[100005];
int n,t=1;
int Search(int k)//二分查找 
{
	int l=1,r=t,mid;
	while(l<r)
	{
		mid=(l+r)/2;
		if(up[mid]<k)
		l=mid+1;
		else r=mid;
	}
	return l;
}
int main()
{
	scanf("%d",&n);
	for(int i=1;i<=n;i++)
	scanf("%d",&nums[i]);
	up[1]=nums[1];//将nums[1]加入up 
	for(int i=2;i<=n;i++)
	{
		if(nums[i]>up[t])//如果nums[i]比up的最后一个大,则加入up 
		up[++t]=nums[i];
		else up[Search(nums[i])]=nums[i];//找到第一个比nums[i]大的,并替换 
	}
	printf("%d",t);
	return 0;
}

完结撒花!!!

### 解题思路 LeetCode 第 674 题的目标是找到给定数组中的最长连续递增子序列的长度。此问题可以通过一次线性扫描来解决,时间复杂度为 O(n),空间复杂度可以优化到 O(1)[^1]。 #### 关键点分析 - **连续性**:题目强调的是“连续”,因此只需要比较相邻两个元素即可判断是否构成递增关系。 - **动态规划 vs 贪心算法**:虽然可以用动态规划的思想解决问题,但由于只需记录当前的最大值而无需回溯历史状态,贪心策略更为高效[^3]。 --- ### Python 实现 以下是基于贪心算法的 Python 实现: ```python class Solution: def findLengthOfLCIS(self, nums): if not nums: # 如果输入为空,则返回0 return 0 max_len = 1 # 至少有一个元素时,最小长度为1 current_len = 1 # 当前连续递增序列的长度初始化为1 for i in range(1, len(nums)): # 从第二个元素开始遍历 if nums[i] > nums[i - 1]: # 判断当前元素是否大于前一个元素 current_len += 1 # 是则增加当前长度 max_len = max(max_len, current_len) # 更新全局最大长度 else: current_len = 1 # 否则重置当前长度 return max_len # 返回最终结果 ``` 上述代码通过维护 `current_len` 和 `max_len` 来跟踪当前连续递增序列的长度以及整体的最大长度。 --- ### Java 实现 下面是等效的 Java 版本实现: ```java public class Solution { public int findLengthOfLCIS(int[] nums) { if (nums.length == 0) { // 处理边界情况 return 0; } int maxLength = 1; // 初始化最大长度 int currentLength = 1; // 初始化当前长度 for (int i = 1; i < nums.length; i++) { if (nums[i] > nums[i - 1]) { // 若满足递增条件 currentLength++; // 增加当前长度 maxLength = Math.max(maxLength, currentLength); // 更新最大长度 } else { currentLength = 1; // 不满足递增条件时重新计数 } } return maxLength; // 返回结果 } } ``` 该版本逻辑与 Python 类似,但在语法上更贴近 Java 的特性[^4]。 --- ### C++ 实现 对于 C++ 用户,下面是一个高效的解决方案: ```cpp #include <vector> #include <algorithm> // 使用 std::max 函数 using namespace std; class Solution { public: int findLengthOfLCIS(vector<int>& nums) { if (nums.empty()) { // 边界处理 return 0; } int result = 1; // 结果变量 int count = 1; // 当前连续递增序列长度 for (size_t i = 1; i < nums.size(); ++i) { if (nums[i] > nums[i - 1]) { // 检查递增条件 count++; result = max(result, count); } else { count = 1; // 重置计数器 } } return result; // 返回最终结果 } }; ``` 这段代码同样遵循了单次遍历的原则,并利用标准库函数简化了一些操作。 --- ### 小结 三种语言的核心思想一致,均采用了一种简单的线性扫描方式完成任务。这种方法不仅易于理解,而且性能优越,在实际应用中非常实用[^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