最長公共子序列與最長公共子串(動態規劃問題)
一直不明白最長公共子串和最長公共子序列的區別,上網查了下,最長公共子串(Longest Common Substirng)和最長公共子序列(Longest Common Subsequence,LCS)的區別爲:子串是串的一個連續的部分,子序列則是從不改變序列的順序,而從序列中去掉任意的元素而獲得新的序列;也就是說,子串中字符的位置必須是連續的,子序列則可以不必連續。
分析:對於母串X=<x1,x2,⋯,xm>, Y=<y1,y2,⋯,yn>,求LCS與最長公共子串。假設 m<n, 對於母串X,我們可以暴力找出2m個子序列,然後依次在母串Y中匹配,算法的時間複雜度會達到指數級O(n∗2m)。顯然,暴力求解不太適用於此類問題。
動態規劃:假設Z=<z1,z2,⋯,zk>是X與Y的LCS, 我們觀察到如果xm=yn,則zk=xm=yn,有Zk−1是Xm−1與Yn−1的LCS;
如果xm≠yn則Zk是Xm與Yn−1的LCS,或者是Xm−1與Yn的LCS。
因此,求解LCS的問題則變成遞歸求解的兩個子問題。但是,上述的遞歸求解的辦法中,重複的子問題多,效率低下。改進的辦法——用空間換時間,用數組保存中間狀態,
方便後面的計算。這就是動態規劃(DP)的核心思想。
用二維數組c[i][j]記錄串x1x2⋯xi與y1y2⋯yj的LCS長度,則可得到狀態轉移方程
package Test;
public class Test01 {
public int lcs(String str1,String str2){
int len1 = str1.length();
int len2 = str2.length();
int [][]dp = new int [len1+1][len2+1];
for(int i = 0 ;i <=len1;i++ ){
for(int j = 0;j<=len2;j++){
if (i==0 || j==0) {
dp[i][j] = 0;
}else if (str1.charAt(i-1)==str2.charAt(j-1)) {
dp[i][j] = dp[i-1][j-1] + 1;
}else {
dp[i][j] = Math.max(dp[i-1][j] , dp[i][j-1]);
}
}
}
return dp[len1][len2];
}
}
最長公共子串:子串是一種特殊的子序列,因此同樣可以用DP來解決
得到轉移方程:
最長公共子串的長度爲 max(c[i,j]), i∈{1,⋯,m},j∈{1,⋯,n}
public int lcs2(String str1,String str2){
int len1 = str1.length();
int len2 = str2.length();
int res = 0;
int [][]dp = new int [len1+1][len2+1];
for(int i = 0 ;i <=len1;i++ ){
for(int j = 0;j<=len2;j++){
if (i==0 || j==0) {
dp[i][j] = 0;
}else if (str1.charAt(i-1)==str2.charAt(j-1)) {
dp[i][j] = dp[i-1][j-1] + 1;
res = Math.max(dp[i][j], res);
}else {
dp[i][j] = 0;
}
}
}
return res;
}
⎪