动态规划系列之最长递增子序列问题解答


今天和大家分享的是动态规划经典问题:最长递增子序列问题解答。(似乎BAT等各大公司都喜欢在面试的时候对动态规划系列经典问题进行笔试。

题目描述:给定一个整数序列:

动态规划系列之最长递增子序列问题解答

求其最长递增子序列(LIS)。如果该序列的一个子序列

动态规划系列之最长递增子序列问题解答

其满足且

动态规划系列之最长递增子序列问题解答

那么该子序列称为该序列的递增子序列。最长递增子序列就是最长的递增子序列,可能不是唯一的。比如序列为5,2,8,6,3,6,9,7,那么其一个最长递增子序列为2,3,6,9。

思路分析

如果采用暴力穷举,那么时间复杂度是O(2^n),这是难以让人接收的。可以采用动态规划的方式,将问题拆分,我们可以考虑以某一个元素ak为结束元素的最长递增子序列,这里记其长度为L[k],如果我们把所有的情况都计算出来,找到最长的那么就是原问题的最长递增子序列。然后我们要考虑这个子问题是否可以用比其更小的问题递归出来。答案是可以的,如果我们已经知道了L[1],L[2],…,L[k-1],我们可以遍历它们,如果某个元素aj恰好是不大于ak,那么这个递增子序列可以后面加上生成新的递增子序列,并且长度为L[j]+1。我们遍历a1,a2……ak-1,找出最大值就是L[k]。递归公式为:

动态规划系列之最长递增子序列问题解答

上面是可以计算出序列的最长递增子序列的长度,时间复杂度为O(n^2)。如果你想得到最终的最长递增子序列,那么可以记录上面递归公式中遍历时的最长情况下的前接元素索引,然后通过这些索引可以重构出最长递增子序列,具体可以参见下面的代码。

具体实现代码(C++)

vector<int> lis(const vector<int>& s)

{

    vector<int> ls(s.size(), 0);

    vector<int> ps(s.size(), -1);

    // 对于k=1

    ls[0] = 1;   // 只有一个元素

    ps[0] = -1;  // 无前接元素

    for (int i = 1; i < s.size(); ++i)

    {

        ls[i] = 1;  // 仅含有自己

        for (int j = 0; j < i; ++j)

        {

            if (s[j] <= s[i] && ls[i] < 1 + ls[j])

            {

                ls[i] = 1 + ls[j];

                ps[i] = j;

            }

        }

    }

 

    int pos = max_element(ls.begin(), ls.end()) - ls.begin(); // lis的最大元素位置

    vector<int> result;

    result.push_back(s[pos]);

    // 通过前接元素索引重构最长递增子序列

    while (ps[pos] != -1)

    {

        pos = ps[pos];

        result.push_back(s[pos]);

    }

    reverse(result.begin(), result.end());

    return result;

}

优化分析

前面的计算时间复杂度是O(n^2),那么有没有更高效的算法。我们先看看之前算法可以改进的地方,你要找到L[k],你必须要把前面的k-1个子问题遍历一遍,这个是O(n)的时间复杂度。由于前面k-1个问题是无序的,你不知道哪个子问题是最优的,所以我们要全部遍历。如果是有序的话,我们可以采用二分查找,那么时间复杂度将为O(logn)。我们考虑这样的子问题,假定a1,a2……ak-1的LIS为动态规划系列之最长递增子序列问题解答L,并且我们维护了长度分别为1,2……L的递增子序列的末尾元素的最小值,这里递增子序列长度为i的末尾元素最小值记为M[i]。明显M序列是有序递增的。当加入元素ak时,如果M[l]≥ak,那么序列a1,a2……ak的LIS为L+1,且M[l+1]=ak。否则,你需要遍历M[1],M[2],…,M[l],找到第一个满足M[i]≥ak所对应的i,并且更新M[i]=ak,这时我们更新只是维持数组M的特性,这样后面继续加入新元素,可以重复前面的过程,但是其实元素ak的加入并不会为当前整个序列的LIS做贡献。由于M是有序的,那么可以采用二分查找方式,这样最终的时间复杂度为O(nlogn)。最后M的长度就等于最长递增子序列的长度,但是M并不是最长递增子序列,这点要注意。如果序列是4,1,6,2,8,5,7,3,其整个过程如下图所示:


动态规划系列之最长递增子序列问题解答

最终实现代码如下:

vector<int> lis(const vector<int>& s)

{

    vector<int> m;

    // 初始化

    m.push_back(s[0]);

    for (int i = 1; i < s.size(); ++i)

    {

        // lis增加1

        if (s[i] >= m.back())

        {

            m.push_back(s[i]);

        }

        else

        {

            // 利用lower_bound函数找到第一个大于或等于s[i]的位置

            *lower_bound(m.begin(), m.end(), s[i]) = s[i];

        }

    }

    return m;

}





扫描燕哥微信号,

拉你进机器学习大牛群。

福利满满,名额已不多…

动态规划系列之最长递增子序列问题解答

群里目前包括:

清华张长水教授,

清华顾险峰教授,

北大黄铁军教授,

西安电子科技大学焦李成教授,

新加坡南洋理工大学黄广斌教授,

北交李清勇教授

等等……