LCIS 最长公共上升子序列问题DP算法及优化

一. 知识简介

学习 LCIS 的预备知识： 动态规划基本思想, LCS, LIS
经典问题：给出有 n 个元素的数组 a[] , m 个元素的数组 b[] ,求出它们的最长上升公共子序列的长度.
例如:

a[] data:
5
1 4 2 5 -12

b[] data:
4
-12 1 2 4

LCIS is 2
LCIS 所含元素为 1 4

二.LCIS问题分析

确定状态
可以定义 dp[i][j] 表示以 a 数组的前 i 个整数与 b 数组的前 j 个整数且以 b[j] 为结尾构成的公共子序列的长度。
对于解决DP问题,第一步定义状态是很重要的!
需要注意，以 b[j] 结尾构成的公共子序列的长度不一定是最长公共子序列的长度！
确定状态转移方程
- 当 a[i] == b[j] 时,我们只需要在前面找到一个能将 b[j] 接到后面的最长的公共子序列.
  - 之前最长的公共子序列在哪呢？首先我们要去找的 dp[][] 的第一维必然是 i - 1 ,因为 i 已经拿去和 b[j] 配对去了，不能用了。并且也不能是 i - 2 ，因为 i - 1 必然比 i - 2 更优。
  - 第二维呢？那就需要枚举 b[1]...b[j-1] 了，因为你不知道这里面哪个最长且哪个小于 b[j] 。
  - 这里还有一个问题，可不可能不配对呢？也就是在 a[i] == b[j] 的情况下，需不需要考虑 dp[i][j] == dp[i-1][j] 的决策呢？答案是不需要。因为如果 b[j] 不和 a[i] 配对，那就是和之前的 a[1]...a[j-1] 配对（假设 dp[i-1][j]>0 ，等于0不考虑），这样必然没有和 a[i] 配对优越。（为什么必然呢？因为 b[j] 和 a[i] 配对之后的转移是 max(dp[i-1][k])+1 ，而和之前的 i1 配对则是 max(dp[i1-1][k])+1 。
- 当 a[i] != b[j] 时, 因为 dp[i][j] 是以 b[j] 为结尾的LCIS，如果 dp[i][j] > 0 那么就说明 a[1]..a[i] 中必然有一个整数 a[k] 等于 b[j] ,因为 a[k] != a[i] ，那么 a[i] 对 dp[i][j] 没有贡献，于是我们不考虑它照样能得出 dp[i][j] 的最优值。所以在 a[i] != b[j] 的情况下必然有 dp[i][j] == dp[i-1][j] 。

综上所述,我们可以得到状态转移方程:
① a[i] != b[j], dp[i][j] = dp[i-1][j]
② a[i] == b[j], dp[i][j] = max(dp[i-1][k]+1) (1 <= k <= j-1 && b[j] > b[k])

三. LCIS算法实现及递进的优化方法

O(N * M^2) 算法
分析： 根据状态转移方程可以得到非常容易的写出 O(N * M^2) 的算法

// 复杂度 O(N * M^2)
int lengthOfLCIS(int *a, int n, int *b, int m) {
    int ans = 0;
    int dp[505][505] = {0};
    int max_dp = 0;
    for (int i = 0 ; i < n ; ++i) {
        for (int j = 0 ; j < m ; ++j) {
            dp[i + 1][j + 1] = dp[i][j + 1];
            if (a[i] == b[j]) {
                max_dp = 0;
                for (int k = 0 ; k < j ; ++k) {
                    if (b[j] > b[k] && max_dp <= dp[i][k + 1]) {
                        max_dp = dp[i][k + 1];
                    }
                }
                dp[i + 1][j + 1] = max_dp + 1;
            }
            ans = ans > dp[i + 1][j + 1] ? ans : dp[i + 1][j + 1];
        }
    }
    return ans;
}

```
**O(N * M * log(M))**算法
```
分析： 观察O(N * M^2)的算法，我们可以发现当 a[i] == b[j] 时在前面找到一个能将 b[j] 接到后面的最大长度，这一个查找过程是可以优化的。
设置新的辅助数组 len[]，len[i] = value 代表长度为 i 的所有公共子序列中最后一个数字为的最小值为value。
- 为什么要这样设计辅助数组 len[] ？
  首先我们优化的过程是一个查找过程( dp[i][j] = max(dp[i-1][k]+1) (1 <= k <= j-1 && b[j] > b[k]) )，实际上这个查找过程是在一个一维数组中查找满足条件 b[j] > b[k] 的一个最大值。
  然后，既然是优化查找过程，可以采用 hash 或者是二分来将查找问题从O(N)降到一个可以接受的复杂度，大体判断一下二分似乎更加适合该问题。
  由于二分查找的对象必须具有单调性，而在最长公共上升子序列中，所以的子序列是具有单调性的，所以我们可以将子序列的结尾数字作为数组中的值。
  为什么用数组 len[i] 来维护长度为 i 的所有公共子序列中最后一个数字为的最小值？因为维护一个最小值能够判断 b[j] 到底能够接在哪个位置，试想一下，如果维护一个最大值，本来 b[j] 能接在长度为 i 的某一个子序列后面，因为 b[j] < 最大值导致查找失败，这是不是很 **: ) **...
- len[] 更新策略 ( 请参考下面代码 )
  由于本人能力有限，len[] 数组的更新策略不能够足够严谨、清晰的表述出来，其中有一些细节着实不知道该怎么说，如果有好的见解请一定提出！
  首先用二分查找找到 b[j] 能“嫁接”到之前子序列中的最长长度( ind是二分出来的len[]数组下标，根据上面的定义，ind就是以b[j]结尾的最长公共上升子序列长度 )。
  当a[i] == b[j]，这时候 b[j] 将“嫁接”到之前子序列中的合适位置，同时更新 len[ind] = b[j] 。
  当a[i] != b[j]，我们也需要更新 len[] 的信息，因为后面的更新需要前面的数据。当 b[j] 与 a[i] 适配，那么我们需要查看 b[j] 与前 i - 1个数字所构成的以 b[j] 为结尾数字的最长的公共子序列。如果有多个跟 dp[i][j + 1] ( 因为所有 i , j 都 + 1 所以是dp[i][j + 1])相同长度的子序列，查看 len[dp[i][j + 1]] 的值是否比 d[j] 小，如果比 d[j] 小则更新 len[dp[i][j + 1]]的值。

// 复杂度 O(N * M * log(M))
int binary_search(int *len, int length, int value) {
    int l = 0, r = length - 1, mid;
    while (l < r) {
        mid = (l + r) >> 1;
        if (len[mid] >= value) {
            r = mid;
        } else {
            l = mid + 1;
        }
    }
    return l;
}
int lengthOfLCIS(int *a, int n, int *b, int m) {
    int ans = 0;
    int dp[505][505] = {0};
    int len[505];
    for (int i = 0 ; i < n ; ++i) {
        len[0] = INT_MIN;  
        for (int j = 0 ; j < m ; ++j) {
            len[j + 1] = INT_MAX;
            int ind = binary_search(len, j + 2, b[j]);
            if (a[i] != b[j]) {
                if (b[j] < len[dp[i][j + 1]]) { // 需要注意这里的更新策略,只有当b[j]的值小于当前len[dp[i][j + 1]]的最小值时才能更新
                    len[dp[i][j + 1]] = b[j];
                }
                dp[i + 1][j + 1] = dp[i][j + 1];
            } else {
                dp[i + 1][j + 1] = ind;
                len[ind] = b[j];
            }
            ans = ans > dp[i + 1][j + 1] ? ans : dp[i + 1][j + 1];
        }
    }
    return ans;
}

O(N * M)算法
分析：到这里好像没有更好的方法来优化查找了，那让我们再仔细的分析一下问题。
当a[i] != b[j], dp[i][j] = dp[i-1][j],这对问题并没有什么影响。
当a[i] == b[j]，的时候 dp[i][j] = max(dp[i-1][k]+1) (1 <= k <= j-1 && b[j] > b[k])，我们发现一个特点，其实 a[i] ( b[j] )与 b[k] 的关系早就在之前就可以确定了！( i 是最外层循环， j` 是内层循环，当 j` 遍历到 k 时，就足以判断 b[j] ? b[j`] 的大小关系了)，因此我们只需要在内层循环与外层循环直接维护一个 max_dp 的值，等到 a[i] == b[j] 的时候，直接令 dp[i][j] = max_dp + 1即可，时间复杂度降到了 O(N * M)。
注意：这里的优化由问题的特性决定的，即上一段黑色加粗部分文字。对于这种情况下，普通优化技巧已经很无力了，那我们要做的就是对问题不断的思考，不断的寻找探究问题的本质以及其独有的特性，学而不思则惘！

// 复杂度 O(N * M)
int lengthOfLCIS(int *a, int n, int *b, int m) {
    int ans = 0;
    int dp[505][505] = {0};
    for (int i = 0 ; i < n ; ++i) {
        int max_dp = 0;
        for (int j = 0 ; j < m ; ++j) {
            dp[i + 1][j + 1] = dp[i][j + 1];
            if (a[i] > b[j] && max_dp < dp[i + 1][j + 1]) max_dp = dp[i + 1][j + 1];
            if (a[i] == b[j]) {
                dp[i + 1][j + 1] = max_dp + 1;
            }
            ans = max(ans, dp[i + 1][j + 1]);
        }
    }
    return ans;
}

将空间复杂度优化至O(M)
分析：现在空间复杂度是O(N * M)，经过观察可以发现，对于当 dp[i + 1][j + 1] 来说，我只需要上一层的数据和当前这一层左侧的数据，因此 dp[][] 数组第一维开为 2 就足够使用了，这种不断利用两层或者几层数组滚动求解的技巧叫滚动数组。
以下样例以O(N * M)算法为基础进行了空间上的优化

int lengthOfLCIS(int *a, int n, int *b, int m) {
    int ans = 0;
    int dp[2][505] = {0};
    for (int i = 0 ; i < n ; ++i) {
        int max_dp = 0;
        for (int j = 0 ; j < m ; ++j) {
            dp[(i + 1) % 2][j + 1] = dp[i % 2][j + 1];
            if (a[i] > b[j] && max_dp < dp[(i + 1) % 2][j + 1]) max_dp = dp[(i + 1) % 2][j + 1];
            if (a[i] == b[j]) {
                dp[(i + 1) % 2][j + 1] = max_dp + 1;
            }
            ans = max(ans, dp[(i + 1) % 2][j + 1]);
        }
    }
    return ans;
}

四.LCIS练习题

传送门：HDU 1423 Greatest Common Increasing Subsequence (http://acm.hdu.edu.cn/showproblem.php?pid=1423)

AC 代码：

/*************************************************************************
    > File Name: LCIS-1.cpp
    > Author: 
    > Mail: 
    > Created Time: 2017年09月03日 星期日 14时26分47秒
 ************************************************************************/

#include <stdio.h>
#include <stdlib.h>
#include <limits.h>

#define max(a, b) ((a) > (b) ? (a) : (b))
#define min(a, b) ((a) < (b) ? (a) : (b))

#define N2

#ifdef N2
int lengthOfLCIS(int *a, int n, int *b, int m) {
    int ans = 0;
    int dp[2][505] = {0};
    for (int i = 0 ; i < n ; ++i) {
        int max_dp = 0;
        for (int j = 0 ; j < m ; ++j) {
            dp[(i + 1) % 2][j + 1] = dp[i % 2][j + 1];
            if (a[i] > b[j] && max_dp < dp[(i + 1) % 2][j + 1]) max_dp = dp[(i + 1) % 2][j + 1];
            if (a[i] == b[j]) {
                dp[(i + 1) % 2][j + 1] = max_dp + 1;
            }
            ans = max(ans, dp[(i + 1) % 2][j + 1]);
        }
    }
    return ans;
}
#endif

int main() {
    int n, m, T;
    int a[505], b[505];
    scanf("%d", &T);
    while (T--) {
        scanf("%d", &n);
        for (int i = 0 ; i < n ; ++i) {
            scanf("%d", &a[i]);
        }
        scanf("%d", &m);
        for (int j = 0 ; j < m ; ++j) {
            scanf("%d", &b[j]);
        }
        printf("%d\n", lengthOfLCIS(a, n, b, m));
        if (T) printf("\n");
    }
    return 0;
}

posted @ 2017-09-05 16:47 ojnQ 阅读(7024) 评论(1) 编辑收藏举报

刷新页面返回顶部

LCIS 最长公共上升子序列问题DP算法及优化

一. 知识简介

二.LCIS问题分析

三. LCIS算法实现及递进的优化方法

四.LCIS练习题

公告