文章目录

一、动态规划概念
- 1. 动态规划步骤
最长公共子序列问题
- 题目
- 示例
- 分析
- 代码（递归）
- 查表
- 打印最长公共子序列

一、动态规划概念

动态规划算法与分治法类似，其基本思想也是将待求解问题分解成若干个子问题，先求解子问题，然后从这些子问题的解得到原问题的解。

与分治法不同的是，适合于用动态规划法求解的问题，经分解得到的子问题往往不是互相独立的。若用分治法解这类问题，则分解得到的子问题数目太多，以至于最后解决原问题需要耗费指数时间。

然而，不同子问题的数目常常只有多项式量级。在用分治法求解时，有些子问题被重复计算了许多次。如果能够保存已解决的子问题的答案，而在需要时再找出已求得的答案，就可以避免大量重复计算，从而得到多项式时间算法。为了达到这个目的，可以用一个表来记录所有已解决的子问题的答案。不管该子问题以后是否被用到，只要它被计算过，就将其结果填人表中。这就是动态规划法的基本思想。具体的动态规划算法是多种多样的，但它们具有相同的填表格式。

1. 动态规划步骤

(1) 找出最优解的性质，并刻画其结构特征;
(2）递归地定义最优值;
(3）以自底向上的方式计算出最优值;
(4）根据计算最优值时得到的信息，构造最优解。

最长公共子序列问题

题目

给定两个字符串 text1 和 text2，返回这两个字符串的最长公共子序列的长度。如果不存在公共子序列，返回 0 。

一个字符串的子序列是指这样一个新的字符串：它是由原字符串在不改变字符的相对顺序的情况下删除某些字符（也可以不删除任何字符）后组成的新字符串。

例如，"ace" 是 "abcde" 的子序列，但 "aec" 不是 "abcde" 的子序列。

两个字符串的公共子序列是这两个字符串所共同拥有的子序列。

示例

示例1：

输入：text1 = "abcde", text2 = "ace"
输出：3
解释：最长公共子序列是 "ace" ，它的长度为 3 。

示例2：

输入：text1 = "abc", text2 = "abc"
输出：3
解释：最长公共子序列是 "abc" ，它的长度为 3 。

示例3：

输入：text1 = "abc", text2 = "def"
输出：0
解释：两个字符串没有公共子序列，返回 0 。

分析

设两个序列为
X = { x1, x2, x3, …, xm - 1, xm} ，元素个数为m个。
Y = { y1, y2, y3, …, yn - 1, yn}，元素个数为n个。

设公共子序列为：
Z = { z1, z2, z3, …, zk - 1, zk }，元素个数为k个。

情况分析：

如果 xm == yn，则 zk = xm = yn，最后一个元素相等，那也就意味着我们可以把问题规模缩小，使得：

zk - 1 = xm - 1 && yn - 1

原规模的最长公共子序列长度就是 Z(k - 1) + 1

如果 xm != yn， xm != zk；那么

zk = xm - 1 && yn

如果yn != xm， yn != zk，那么

zk = xm && yn - 1

令 c [m][n]为最长公共子序列，m为序列X的元素个数，n为Y序列的元素个数，那么会得到以下情况：

当m或n为0时，最长公共子序列为0。

c[m][n] = (m == 0 || n == 0) ? 0;

当m > 1, n > 1， xm == yn时

c[m][n] = (xm == yn) ? c[m - 1][n - 1] + 1;

当 m > 1, n > 1, xm != yn时

c[m][n] = (xm != yn) ? max(c[m - 1][n], c[m][n - 1]);

代码（递归）

int LCSLength(char* X, char* Y, int m, int n)
{if (m == 0 || n == 0) return 0;else{if (X[m] == Y[n])return LCSLength(X, Y, m - 1, n - 1) + 1;else{int max1 = LCSLength(X, Y, m - 1, n);int max2 = LCSLength(X, Y, m, n - 1);return max1 > max2 ? max1 : max2;}}
}int main(void)
{char X[] = { "ABCBDAB" };char Y[] = { "BDCABA" };int xm = strlen(X), yn = strlen(Y);int maxlen = LCSLength(X, Y, xm, yn);cout << maxlen << endl;return 0;
}

运行结果：

查表

#include<iomanip>template<typename T>
void Print_vec(vector<vector<T> >& c)
{int m = c.size();for (int i = 0; i < m; ++i){int n = c[i].size();for (int j = 0; j < n; ++j){cout << setw(3) << c[i][j];}cout << endl;}cout << endl;
}int LCSLength(char* X, char* Y, int m, int n, vector<vector<int> >& c, vector<vector<int> >& s)
{if (m == 0 || n == 0) return 0;else if (c[m][n] != 0) return c[m][n];else{ if (X[m] == Y[n]){c[m][n] = LCSLength(X, Y, m - 1, n - 1, c, s) + 1;s[m][n] = 1;}else{int max1 = LCSLength(X, Y, m - 1, n, c, s);int max2 = LCSLength(X, Y, m, n - 1, c, s);if (max1 > max2){c[m][n] = max1;s[m][n] = 2;}else{c[m][n] = max2;s[m][n] = 3;}}}return c[m][n];
}int main(void)
{char X[] = { "#ABCBDAB" };char Y[] = { "#BDCABA" };int xm = strlen(X) - 1, yn = strlen(Y) - 1;vector<vector<int> > c, s;c.resize(xm + 1);s.resize(xm + 1);for (int i = 0; i < xm + 1; ++i){c[i].resize(yn + 1);s[i].resize(yn + 1);}int maxlen = LCSLength(X, Y, xm, yn, c, s);Print_vec(c);Print_vec(s);cout << maxlen << endl;return 0;
}

这样可得出最长公共子序列是哪些字符。

打印最长公共子序列

void LCS(char* X, vector<vector<int> >& s, int i, int j)
{if (i == 0 || j == 0) return;if (s[i][j] == 1){LCS(X, s, i - 1, j - 1);cout << X[i];}else if (s[i][j] == 2){LCS(X, s, i - 1, j);}else{LCS(X, s, i, j - 1);}
}int main(void)
{char X[] = { "#ABCBDAB" };char Y[] = { "#BDCABA" };int xm = strlen(X) - 1, yn = strlen(Y) - 1;vector<vector<int> > c, s;c.resize(xm + 1);s.resize(xm + 1);for (int i = 0; i < xm + 1; ++i){c[i].resize(yn + 1);s[i].resize(yn + 1);}int maxlen = LCSLength(X, Y, xm, yn, c, s);Print_vec(c);Print_vec(s);cout << maxlen << endl;LCS(X, s, xm, yn);return 0;
}

运行结果：

算法：动态规划——最长公共子序列相关推荐

用动态规划算法实现最长公共子序列问题的算法（java实现）
用动态规划算法实现最长公共子序列问题的算法 public class longestCommonSubsequence {//构造追踪数组rec,记录子问题来源private static Strin ...
LCS算法：最长公共子序列
LCS算法:最长公共子序列定义: 一个序列A任意删除若干个字符得到新序列B,则A叫做B的子序列两个序列X和Y的公共子序列中,长度最长的那个,定义为X和Y的最长公共子序列例如: X={A,B,C,B ...
最长公共子序列动态规划c语言,动态规划----最长公共子序列（C++实现）
最长公共子序列题目描述:给定两个字符串s1 s2 - sn和t1 t2 - tm .求出这两个字符串的最长公共子序列的长度.字符串s1 s2 - sn的子序列指可以表示为 - { i1 < i ...
动态规划—最长公共子序列问题 HDU-1159 Common Subsequence
动态规划-最长公共子序列问题 Common Subsequence [ HDU - 1159 ] A subsequence of a given sequence is the given sequ ...
详解动态规划最长公共子序列--JavaScript实现
前面两篇我们讲解了01背包问题和最少硬币找零问题.这篇将介绍另一个经典的动态规划问题--最长公共子序列.如果没看过前两篇,可点击下面链接. 详解动态规划最少硬币找零问题--JavaScript实现详 ...
动态规划1--最长公共子序列
动态规划1--最长公共子序列一.动态规划经常会遇到复杂问题不能简单地分解成几个子问题,而会分解出一系列的子问题.简单地采用把大问题分解成子问题,并综合子问题的解导出大问题的解的方法,问题求解耗时 ...
最长公共子序列php,动态规划(最长公共子序列LCS)
概念求解决策过程最优化的结果 (可能有多个) 把多阶段过程转化为一系列单阶段过程,利用各阶段之间的关系,逐个求解计算过程中会把结果都记录下,最终结果在记录中找到. 举例求两个字符串的最长公共子序 ...
java lcs_Java算法之最长公共子序列问题(LCS)实例分析
本文实例讲述了Java算法之最长公共子序列问题(LCS).分享给大家供大家参考,具体如下: 问题描述:一个给定序列的子序列是在该序列中删去若干元素后得到的序列.确切地说,若给定序列X= { x1, x ...
动态规划算法解最长公共子序列LCS问题
动态规划算法解LCS问题作者 July 二零一零年十二月三十一日本文参考:微软面试100题系列V0.1版第19.56题.算法导论.维基百科. 第一部分.什么是动态规划算法 ok,咱们先来了解下什么 ...
算法导论之动态规划(最长公共子序列和最优二叉查找树)
动态规划师通过组合子问题的解而解决整个问题,将问题划分成子问题,递归地求解各子问题,然后合并子问题的解而得到原问题的解.和分治算法思想一致,不同的是分治算法适合独立的子问题,而对于非独立的子问题,即各 ...

算法：动态规划——最长公共子序列