第11章：最长公共子序列（LCS：Longest Common Subsequence）
方法：动态规划 《算法导论》P208
最优子结构 + 重叠子问题
设xi,yi,为前i个数（前缀）
设c[i,j]为xi,yi的LCS的长度
c[i,j] = 0 (i ==0 || j == 0)
c[i,j] = a[i-1,j-1] + 1 (i,j>0 &&xi=yi)
c[i,j] = max(c[i,j-1],c[i-1,j])
求LCS(Xm-1 , Y)的长度与LCS(X , Yn-1)的长度，这两 个问题不是相互独立的：两者都需要求LCS(Xm-1，Yn-1)的长度。
【最长公共子序列的结构】
设序列X=<x1, x2, …, xm>和Y=<y1, y2, …, yn>的一个最长公共子序列Z=<z1, z2, …, zk>，
则：
1. 若xm=yn，则zk=xm=yn 且Zk-1 是Xm-1 和Yn-1 的最长公共子序列；
2. 若xm≠yn 且zk≠xm ，则Z 是Xm-1 和Y 的最长公共子序列；
3. 若xm≠yn 且zk≠yn ，则Z 是X 和Yn-1 的最长公共子序列。
由此递归结构容易看到最长公共子序列问题具有子问题重叠性质。
由于在所考虑的子问题空间中，总共只有θ(m*n)个不同的 子问题，因此，用动态规划算法自底向上地计算最优值能提高算法的效率。
【编码实现】
输出两个数组c[0..m ,0..n]和b[1..m ,1..n]。其中c[i,j]存储
Xi 与Yj 的最长公共子序列的长度，b[i,j]记录指示c[i,j]的值是由哪一个子问题的解达到的，
这在构造最长公共子序列时要用到。最后，X 和Y 的最长公共子序列的长度记录于c[m,n]
中。
【相似的解决方法：构造矩阵】
|
import java.util.Random;
public class LCS{ public static void main(String[] args){ int substringLength1 = 20; int substringLength2 = 20;
String x = GetRandomStrings(substringLength1); String y = GetRandomStrings(substringLength2);
Long startTime = System.nanoTime();
int[][] opt = new int[substringLength1 + 1][substringLength2 + 1];
for(int i = substringLength1 - 1;i>=0;i--){ for(int j =substring2 -1;j>=0;j--){ if(x.charAt(i) = y.charAt(j)) opt[i][j] = opt[i+1][j+1] + 1; else opt[i][j] = Math.max(opt[i+1][j],opt[i][j+1]); } }
System.out.println("substring1:"+x); System.out.println("substring2:"+y); System.out.print("LCS:"); int i = 0, j = 0; while (i < substringLength1 && j < substringLength2){ if (x.charAt(i) == y.charAt(j)){ System.out.print(x.charAt(i)); i++; j++; } else if (opt[i + 1][j] >= opt[i][j + 1]) i++; else j++; } Long endTime = System.nanoTime();
} } |
