最长递增子序列 - 动态规划方法及打印

最长递增子序列 也叫做 最长上升子序列,是指在一个数组中找到一个子序列,它的数值严格递增,并且使这个子序列的长度尽可能长。 最长递增子序列的元素在原序列中不一定是连续的。

例如 A = [10,9,2,5,3,7,101,18] 的最长递增子序列是 [2,3,7,101],其长度是 4

本文记录最长递增子序列的动态规划方法,包括:

关于经典 LIS 问题,本博客已经有三篇文章讲了三种方法
  1. (本文)朴素的 O(n2) DP 解法
  2. 二分 + 贪心的 nlogn 解法、以及 DAG 模型推广
  3. 基于朴素 DP 解法 - 进一步优化 DP 转移

求解最长递增子序列长度

leetcode 题目 - 最长递增子序列

最长递增子序列有一个性质: 最长递增子序列的尾巴元素一定是这个序列中最大的元素

如果已知一个递增序列和其尾巴元素,向它追加一个值更大的元素,构成的新的子序列也是递增序列。

在上图中,新序列是以位置 i 作为尾巴,原来的序列是以位置 j 作为尾巴,其中 j < i

所有可以形成的新序列之中最长的,就是以位置 i 结尾的最长递增序列。

这就满足了动态规划方法的最优子结构性质。

下面是具体方法。

构造一维数组, dp[i] 表示以位置 i 结尾的最长递增子序列的长度。

显然, dp[0] = 1

考虑如何归纳求解 dp[i]

因以位置 i 结尾的最长递增子序列,必以元素 A[i] 结尾,易知 dp[i] 至少为 1

假设对于所有小于 ijdp[j] 是已计算过的。

如果 A[i] > A[j] ,则最长递增子序列得到扩展,dp[i] 至少为 dp[j] + 1

此时,dp[i] 取所有 dp[j] + 1 的最大值即可。

如果遇到 A[i] <= A[j] ,此时无法形成以元素 A[i] 结尾的递增子序列,因此不作考虑。

至此,递推关系已经梳理完毕。

要找的整个数组上的最长递增子序列的长度,就是 dp 数组上的最大值。

显然,时间复杂度是 $O(n^2)$ 。

最长递增子序列 - 动态规划方法 - 求解长度 — C 语言实现
#define max(x, y) (x) > (y) ? (x) : (y)

// 返回长度为 n 的数组 a 的最长递增子序列的长度
int LongestIncreasingSubsequence(int a[], int n) {
    if (n == 0) return 0;

    // dp[i] 代表以位置 i 结尾的最长递增子序列的长度
    int dp[n];
    dp[0] = 1;

    // 记录 dp 中最大值
    int maxdp = dp[0];

    for (int i = 1; i < n; i++) {
        dp[i] = 1;  // 至少为 1
        for (int j = 0; j < i; j++) {
            if (a[i] > a[j]) {
                dp[i] = max(dp[i], dp[j] + 1);
            }
        }
        maxdp = max(dp[i], maxdp);
    }
    return maxdp;
}

注: 求最长递增子序列的长度还有一个 nlog(n) 时间复杂度的解法,见: 再探最长递增子序列问题之二分解法

打印所有最长递增子序列

如果在动态规划过程中,记住 dp[i] 的计算是源于哪个 dp[j] ,就可以反向追踪出来整个递增序列。

不妨称导致 dp[i] 增加的 ji 的来源位置

最长递增子序列可能有多个, 一个位置的来源位置也可能有多个。

构建一个二维数组,即路径数组,path[i][k] = j 表示 ji 的一个来源位置。

细节地,path[i] 数组的末尾元素记录为 -2 , 以标记有效元素的结束。

i 没有任何来源位置,即 i 只是和自身构成了最长递增序列, 那么记一个标志 -1

以数组 A = [3, 2, 9, 5, 3, 7, 8, 2] 为例,其 path 数组如下图所示:

改造 DP 过程代码如下:

最长递增子序列 - 动态规划 - 记录规划路径 — C 语言实现
// 返回长度为 n 的数组 a 的最长递增子序列的长度
int Process(int a[], int n, int dp[n], int path[n][n]) {
    if (n == 0) return 0;
    int maxdp = 0;
    for (int i = 0; i < n; i++) {
        dp[i] = 1;

        // 记录本次从哪个 j 而来,可能有多个
        // k 是记录一个有多少个来源的 j
        int k = 0;

        for (int j = 0; j < i; j++) {
            if (a[i] > a[j]) {
                dp[i] = max(dp[i], dp[j] + 1);
            }
        }

        for (int j = 0; j < i; j++) {
            if (a[i] > a[j] && dp[i] == dp[j] + 1) {
                // 记录 j 为 i 的来源位置
                path[i][k++] = j;
            }
        }

        // 占位 -1 表示 dp[i] 是初始化而来
        if (k == 0) path[i][k++] = -1;

        // 末尾标识结束点
        path[i][k] = -2;

        maxdp = max(dp[i], maxdp);
    }
    return maxdp;
}

假设求解的最长递增子序列的长度是 L ,找到所有 dp[i] = Li

即找到所有整个数组的最长递增子序列的尾巴元素的位置 i

从这些尾巴位置 i 出发,数组 path[i] 中的每个元素 j 即序列中的上一个元素的位置。

不断取 path[i] 中的每个 j 当做新的 i ,反向迭代,即可找出所有的最长递增序列。

下图以 i=5 为例,不断取路径数组中的所有 j 当做新的 i , 就可以找出所有的以位置 i 结尾的最长递增序列。

当遇到 path[i] 中的值 -1 时,代表到达了序列头元素,则停止迭代。

反向迭代过程中,用一个栈收集需要打印的数字,最终逆序打印出来即可。

最长递增子序列 - 打印所有最长递增子序列 — C 语言实现
// DFS 深度优先反向追踪路径
// 输入的 z 是需要打印的字符,zn 是其大小
void DFS(int a[], int n, int i, int path[n][n], int z[], int zn) {
    if (i >= 0) {
        // 当前字符需要打印,用 z 栈收集
        z[zn++] = a[i];

        // 处理其所有的来源
        for (int k = 0; path[i][k] != -2; k++) {
            int j = path[i][k];  // 来源位置
            DFS(a, n, j, path, z, zn);
        }
    } else {
        // 需要结束收集,开始逆序打印
        while (zn != 0) printf("%d ", z[--zn]);
        printf("\n");  // 换行作为分割
    }
}

// 打印大小为 n 的数组 a 的所有最长递增子序列
void PrintAllLongestIncreasingSubsequence(int a[], int n) {
    int dp[n];

    // path[i][k] = j 表示 j 是 i 的来源位置
    int path[n][n];

    // 获取最大长度
    int L = Process(a, n, dp, path);

    // 记录需要打印的数字,是一个栈,正向收集,反向打印
    int z[L];
    int zn = 0;

    // 在 dp 数组中找最大长度,然后以其为起点 DFS
    for (int i = 0; i < n; i++) {
        if (dp[i] == L) DFS(a, n, i, path, z, zn);
    }
}

本文中的完整代码 on Github

相关阅读:

(完)

本文原始链接地址: https://writings.sh/post/algorithm-longest-increasing-subsequence

王超 ·
喜欢这篇文章吗?
微信扫码赞赏
评论 首页 | 归档 | 算法 | 订阅