Wie die längsten aufsteigende Teilfolge mit dynamischer Programmierung bestimmen?
https://stackoverflow.com/questions/2631726
-
26-09-2019 - |
italiano
english
français
española
中国
日本の
العربية
Deutsch
한국어
Português
RussianFrage
ich eine Reihe von ganzen Zahlen haben. Ich möchte die längste zunehmende Teilfolge dieses Satzes unter Verwendung einer dynamischen Programmierung finden.
Lösung
OK, wird beschreibe ich zunächst die einfachste Lösung, die O (N ^ 2) ist, wobei N die Größe der Sammlung ist. Es besteht auch ein O (N log N) Lösung, die ich auch beschreiben. Schauen Sie hier es an dem Abschnitt Effiziente Algorithmen.
werde ich die Indizes des Arrays übernehmen sind von 0 bis N - 1. Also lasst uns DP[i] definieren die Länge des LIS (Longest Erhöhung Teilfolge) zu sein, die an dem Element mit dem Index i endet. Zur Berechnung DP[i] betrachten wir alle Indizes j < i und überprüfen, wenn sowohl DP[j] + 1 > DP[i] und array[j] < array[i] (wir wollen es Erhöhung sein). Wenn dies wahr ist, können wir die aktuelle Optimum für DP[i] aktualisieren. Um das globale Optimum für das Array finden Sie den Maximalwert von DP[0...N - 1] nehmen.
int maxLength = 1, bestEnd = 0;
DP[0] = 1;
prev[0] = -1;
for (int i = 1; i < N; i++)
{
DP[i] = 1;
prev[i] = -1;
for (int j = i - 1; j >= 0; j--)
if (DP[j] + 1 > DP[i] && array[j] < array[i])
{
DP[i] = DP[j] + 1;
prev[i] = j;
}
if (DP[i] > maxLength)
{
bestEnd = i;
maxLength = DP[i];
}
}
ich das Array prev verwenden zu können, später die tatsächliche Sequenz finden, nicht nur seine Länge. geht nur rekursiv aus bestEnd in einer Schleife mit prev[bestEnd]. Der -1 Wert ist ein Zeichen zu stoppen.
OK, jetzt zu einer effizienteren O(N log N) Lösung:
Let S[pos] als die kleinste Ganzzahl, die Ende eine zunehmende Folge der Länge pos definiert werden. Nun durchläuft jedes ganzzahlige X des Eingangssatzes und wie folgt vor:
-
Wenn
X> letztes Element inS, dannXbis EndeShängen. Diese essentialy Mittel haben wir einen neuen größtenLISgefunden. -
Ansonsten das kleinste Element in
Sfinden, die>=alsXist, und es zuXändern. DaSjederzeit sortiert ist, kann das Element mit binärer Suche inlog(N)gefunden werden.
Insgesamt Laufzeit - N ganzen Zahlen und eine binäre Suche für jeden von ihnen - N * log (N) = O (N log N)
Nun wollen wir tun ein reales Beispiel:
Sammlung von ganzen Zahlen:
2 6 3 4 1 2 9 5 8
Schritte:
0. S = {} - Initialize S to the empty set
1. S = {2} - New largest LIS
2. S = {2, 6} - New largest LIS
3. S = {2, 3} - Changed 6 to 3
4. S = {2, 3, 4} - New largest LIS
5. S = {1, 3, 4} - Changed 2 to 1
6. S = {1, 2, 4} - Changed 3 to 2
7. S = {1, 2, 4, 9} - New largest LIS
8. S = {1, 2, 4, 5} - Changed 9 to 5
9. S = {1, 2, 4, 5, 8} - New largest LIS
So ist die Länge des LIS ist 5 (die Größe S).
Um die tatsächliche LIS rekonstruieren wir wieder eine übergeordnete Array.
Lassen Sie parent[i] seinen Vorgänger des Elements mit dem Index i im LIS bei Elemente endet mit dem Index i.
Um die Dinge einfacher, können wir in der Anordnung S halten, nicht die tatsächlichen Zahlen, aber ihre Indizes (Positionen) in dem Satz. Wir halten nicht {1, 2, 4, 5, 8}, aber halten {4, 5, 3, 7, 8}.
Das heißt Eingang [4] = 1 , input [5] = 2 , input [3] = 4 , input [7 ] = 5 , Eingang [8] = 8 .
Wenn wir richtig die übergeordnete Array aktualisieren, ist die tatsächliche LIS ist:
input[S[lastElementOfS]],
input[parent[S[lastElementOfS]]],
input[parent[parent[S[lastElementOfS]]]],
........................................
Nun zu dem wichtigen Fragen - wie aktualisieren wir das übergeordnete Array? Es gibt zwei Möglichkeiten:
-
Wenn
X> letztes Element inS, dannparent[indexX] = indexLastElement. Dies bedeutet, das Elternteil des neuesten Element das letzte Element. Wir haben gerade prependXbis EndeS. -
findet Andernfalls den Index des kleinsten Elements in
S, die>=alsXist, und es zuXändern. Hierparent[indexX] = S[index - 1].
Andere Tipps
Petar Minchev Erklärung half klar die Dinge für mich, aber es war schwer für mich, zu analysieren, was alles war, so dass ich eine Python-Implementierung mit zu beschreibende Variablennamen und viele Kommentare. Ich habe eine naive rekursive Lösung, die O (n ^ 2) -Lösung, und die O (n log n) Lösung.
Ich hoffe, dass es auf die Algorithmen klar hilft!
Die rekursive Lösung
def recursive_solution(remaining_sequence, bigger_than=None):
"""Finds the longest increasing subsequence of remaining_sequence that is
bigger than bigger_than and returns it. This solution is O(2^n)."""
# Base case: nothing is remaining.
if len(remaining_sequence) == 0:
return remaining_sequence
# Recursive case 1: exclude the current element and process the remaining.
best_sequence = recursive_solution(remaining_sequence[1:], bigger_than)
# Recursive case 2: include the current element if it's big enough.
first = remaining_sequence[0]
if (first > bigger_than) or (bigger_than is None):
sequence_with = [first] + recursive_solution(remaining_sequence[1:], first)
# Choose whichever of case 1 and case 2 were longer.
if len(sequence_with) >= len(best_sequence):
best_sequence = sequence_with
return best_sequence
Die O (n ^ 2) Dynamische Programmierung Lösung
def dynamic_programming_solution(sequence):
"""Finds the longest increasing subsequence in sequence using dynamic
programming. This solution is O(n^2)."""
longest_subsequence_ending_with = []
backreference_for_subsequence_ending_with = []
current_best_end = 0
for curr_elem in range(len(sequence)):
# It's always possible to have a subsequence of length 1.
longest_subsequence_ending_with.append(1)
# If a subsequence is length 1, it doesn't have a backreference.
backreference_for_subsequence_ending_with.append(None)
for prev_elem in range(curr_elem):
subsequence_length_through_prev = (longest_subsequence_ending_with[prev_elem] + 1)
# If the prev_elem is smaller than the current elem (so it's increasing)
# And if the longest subsequence from prev_elem would yield a better
# subsequence for curr_elem.
if ((sequence[prev_elem] < sequence[curr_elem]) and
(subsequence_length_through_prev >
longest_subsequence_ending_with[curr_elem])):
# Set the candidate best subsequence at curr_elem to go through prev.
longest_subsequence_ending_with[curr_elem] = (subsequence_length_through_prev)
backreference_for_subsequence_ending_with[curr_elem] = prev_elem
# If the new end is the best, update the best.
if (longest_subsequence_ending_with[curr_elem] >
longest_subsequence_ending_with[current_best_end]):
current_best_end = curr_elem
# Output the overall best by following the backreferences.
best_subsequence = []
current_backreference = current_best_end
while current_backreference is not None:
best_subsequence.append(sequence[current_backreference])
current_backreference = (backreference_for_subsequence_ending_with[current_backreference])
best_subsequence.reverse()
return best_subsequence
Die O (n log n) Dynamische Programmierung Lösung
def find_smallest_elem_as_big_as(sequence, subsequence, elem):
"""Returns the index of the smallest element in subsequence as big as
sequence[elem]. sequence[elem] must not be larger than every element in
subsequence. The elements in subsequence are indices in sequence. Uses
binary search."""
low = 0
high = len(subsequence) - 1
while high > low:
mid = (high + low) / 2
# If the current element is not as big as elem, throw out the low half of
# sequence.
if sequence[subsequence[mid]] < sequence[elem]:
low = mid + 1
# If the current element is as big as elem, throw out everything bigger, but
# keep the current element.
else:
high = mid
return high
def optimized_dynamic_programming_solution(sequence):
"""Finds the longest increasing subsequence in sequence using dynamic
programming and binary search (per
http://en.wikipedia.org/wiki/Longest_increasing_subsequence). This solution
is O(n log n)."""
# Both of these lists hold the indices of elements in sequence and not the
# elements themselves.
# This list will always be sorted.
smallest_end_to_subsequence_of_length = []
# This array goes along with sequence (not
# smallest_end_to_subsequence_of_length). Following the corresponding element
# in this array repeatedly will generate the desired subsequence.
parent = [None for _ in sequence]
for elem in range(len(sequence)):
# We're iterating through sequence in order, so if elem is bigger than the
# end of longest current subsequence, we have a new longest increasing
# subsequence.
if (len(smallest_end_to_subsequence_of_length) == 0 or
sequence[elem] > sequence[smallest_end_to_subsequence_of_length[-1]]):
# If we are adding the first element, it has no parent. Otherwise, we
# need to update the parent to be the previous biggest element.
if len(smallest_end_to_subsequence_of_length) > 0:
parent[elem] = smallest_end_to_subsequence_of_length[-1]
smallest_end_to_subsequence_of_length.append(elem)
else:
# If we can't make a longer subsequence, we might be able to make a
# subsequence of equal size to one of our earlier subsequences with a
# smaller ending number (which makes it easier to find a later number that
# is increasing).
# Thus, we look for the smallest element in
# smallest_end_to_subsequence_of_length that is at least as big as elem
# and replace it with elem.
# This preserves correctness because if there is a subsequence of length n
# that ends with a number smaller than elem, we could add elem on to the
# end of that subsequence to get a subsequence of length n+1.
location_to_replace = find_smallest_elem_as_big_as(sequence, smallest_end_to_subsequence_of_length, elem)
smallest_end_to_subsequence_of_length[location_to_replace] = elem
# If we're replacing the first element, we don't need to update its parent
# because a subsequence of length 1 has no parent. Otherwise, its parent
# is the subsequence one shorter, which we just added onto.
if location_to_replace != 0:
parent[elem] = (smallest_end_to_subsequence_of_length[location_to_replace - 1])
# Generate the longest increasing subsequence by backtracking through parent.
curr_parent = smallest_end_to_subsequence_of_length[-1]
longest_increasing_subsequence = []
while curr_parent is not None:
longest_increasing_subsequence.append(sequence[curr_parent])
curr_parent = parent[curr_parent]
longest_increasing_subsequence.reverse()
return longest_increasing_subsequence
Beim Sprechen über DP Lösung, fand ich es erstaunlich, dass niemand die Tatsache erwähnt, dass LIS reduziert werden kann, um LCS . Alles, was Sie ist eine Art der Kopie der ursprünglichen Sequenz tun müssen, alle die Duplikate entfernen und LCS von ihnen tun. In Pseudo-Code ist:
def LIS(S):
T = sort(S)
T = removeDuplicates(T)
return LCS(S, T)
Und die vollständige Umsetzung in Go geschrieben. Du hast nicht die ganze n ^ 2 DP Matrix beibehalten müssen, wenn Sie die Lösung nicht brauchen zu rekonstruieren.
func lcs(arr1 []int) int {
arr2 := make([]int, len(arr1))
for i, v := range arr1 {
arr2[i] = v
}
sort.Ints(arr1)
arr3 := []int{}
prev := arr1[0] - 1
for _, v := range arr1 {
if v != prev {
prev = v
arr3 = append(arr3, v)
}
}
n1, n2 := len(arr1), len(arr3)
M := make([][]int, n2 + 1)
e := make([]int, (n1 + 1) * (n2 + 1))
for i := range M {
M[i] = e[i * (n1 + 1):(i + 1) * (n1 + 1)]
}
for i := 1; i <= n2; i++ {
for j := 1; j <= n1; j++ {
if arr2[j - 1] == arr3[i - 1] {
M[i][j] = M[i - 1][j - 1] + 1
} else if M[i - 1][j] > M[i][j - 1] {
M[i][j] = M[i - 1][j]
} else {
M[i][j] = M[i][j - 1]
}
}
}
return M[n2][n1]
}
Die folgende C ++ Implementierung enthält auch einige Codes, der die tatsächlichen baut längste zunehmende Teilfolge mit einem Array namens prev.
std::vector<int> longest_increasing_subsequence (const std::vector<int>& s)
{
int best_end = 0;
int sz = s.size();
if (!sz)
return std::vector<int>();
std::vector<int> prev(sz,-1);
std::vector<int> memo(sz, 0);
int max_length = std::numeric_limits<int>::min();
memo[0] = 1;
for ( auto i = 1; i < sz; ++i)
{
for ( auto j = 0; j < i; ++j)
{
if ( s[j] < s[i] && memo[i] < memo[j] + 1 )
{
memo[i] = memo[j] + 1;
prev[i] = j;
}
}
if ( memo[i] > max_length )
{
best_end = i;
max_length = memo[i];
}
}
// Code that builds the longest increasing subsequence using "prev"
std::vector<int> results;
results.reserve(sz);
std::stack<int> stk;
int current = best_end;
while (current != -1)
{
stk.push(s[current]);
current = prev[current];
}
while (!stk.empty())
{
results.push_back(stk.top());
stk.pop();
}
return results;
}
Implementierung ohne Stapel nur den Vektor umkehren
#include <iostream>
#include <vector>
#include <limits>
std::vector<int> LIS( const std::vector<int> &v ) {
auto sz = v.size();
if(!sz)
return v;
std::vector<int> memo(sz, 0);
std::vector<int> prev(sz, -1);
memo[0] = 1;
int best_end = 0;
int max_length = std::numeric_limits<int>::min();
for (auto i = 1; i < sz; ++i) {
for ( auto j = 0; j < i ; ++j) {
if (s[j] < s[i] && memo[i] < memo[j] + 1) {
memo[i] = memo[j] + 1;
prev[i] = j;
}
}
if(memo[i] > max_length) {
best_end = i;
max_length = memo[i];
}
}
// create results
std::vector<int> results;
results.reserve(v.size());
auto current = best_end;
while (current != -1) {
results.push_back(s[current]);
current = prev[current];
}
std::reverse(results.begin(), results.end());
return results;
}
Hier sind drei Schritte, das Problem von dynamischen Programmierung Sicht Auswertung:
- Rezidive Definition: maxLength (i) == 1 + maxLength (j) wobei 0
array [j] - Recurrence Parameter Grenze: es könnte 0 bis ich - 1 Teilsequenzen als Paramter übergeben
- Evaluation Reihenfolge: wie es Subsequenz steigt, hat es von 0 bis n ausgewertet werden
Wenn wir als Beispiel nehmen Sequenz {0, 8, 2, 3, 7, 9}, bei Index:
- [0] werden wir Teilfolge erhalten {0} als Basisfall
- [1] haben wir 1 neue Teilfolge {0, 8}
- [2] versuchen, zwei neue Sequenzen zu bewerten {0, 8, 2} und {0, 2} durch Zugabe von Elemente bei Index 2 zu bestehenden Untersequenzen - nur ein gültig ist, so dass das Hinzufügen dritte mögliche Folge {0, 2} nur auf Parameterliste ...
Hier ist der Arbeits C ++ 11-Code:
#include <iostream>
#include <vector>
int getLongestIncSub(const std::vector<int> &sequence, size_t index, std::vector<std::vector<int>> &sub) {
if(index == 0) {
sub.push_back(std::vector<int>{sequence[0]});
return 1;
}
size_t longestSubSeq = getLongestIncSub(sequence, index - 1, sub);
std::vector<std::vector<int>> tmpSubSeq;
for(std::vector<int> &subSeq : sub) {
if(subSeq[subSeq.size() - 1] < sequence[index]) {
std::vector<int> newSeq(subSeq);
newSeq.push_back(sequence[index]);
longestSubSeq = std::max(longestSubSeq, newSeq.size());
tmpSubSeq.push_back(newSeq);
}
}
std::copy(tmpSubSeq.begin(), tmpSubSeq.end(),
std::back_insert_iterator<std::vector<std::vector<int>>>(sub));
return longestSubSeq;
}
int getLongestIncSub(const std::vector<int> &sequence) {
std::vector<std::vector<int>> sub;
return getLongestIncSub(sequence, sequence.size() - 1, sub);
}
int main()
{
std::vector<int> seq{0, 8, 2, 3, 7, 9};
std::cout << getLongestIncSub(seq);
return 0;
}
Hier ist eine Implementierung der Scala O (n ^ 2) Algorithmus:
object Solve {
def longestIncrSubseq[T](xs: List[T])(implicit ord: Ordering[T]) = {
xs.foldLeft(List[(Int, List[T])]()) {
(sofar, x) =>
if (sofar.isEmpty) List((1, List(x)))
else {
val resIfEndsAtCurr = (sofar, xs).zipped map {
(tp, y) =>
val len = tp._1
val seq = tp._2
if (ord.lteq(y, x)) {
(len + 1, x :: seq) // reversely recorded to avoid O(n)
} else {
(1, List(x))
}
}
sofar :+ resIfEndsAtCurr.maxBy(_._1)
}
}.maxBy(_._1)._2.reverse
}
def main(args: Array[String]) = {
println(longestIncrSubseq(List(
0, 8, 4, 12, 2, 10, 6, 14, 1, 9, 5, 13, 3, 11, 7, 15)))
}
}
Hier ist ein weiterer O (n ^ 2) Java-Implementierung. Keine Rekursion / memoization die tatsächliche Teilfolge zu erzeugen. Nur ein String-Array dass speichert die tatsächliche LIS in jeder Phase und ein Array für jedes Element der Länge des LIS zu speichern. Verflixt einfach. Werfen Sie einen Blick:
import java.io.BufferedReader;
import java.io.InputStreamReader;
/**
* Created by Shreyans on 4/16/2015
*/
class LNG_INC_SUB//Longest Increasing Subsequence
{
public static void main(String[] args) throws Exception
{
BufferedReader br=new BufferedReader(new InputStreamReader(System.in));
System.out.println("Enter Numbers Separated by Spaces to find their LIS\n");
String[] s1=br.readLine().split(" ");
int n=s1.length;
int[] a=new int[n];//Array actual of Numbers
String []ls=new String[n];// Array of Strings to maintain LIS for every element
for(int i=0;i<n;i++)
{
a[i]=Integer.parseInt(s1[i]);
}
int[]dp=new int[n];//Storing length of max subseq.
int max=dp[0]=1;//Defaults
String seq=ls[0]=s1[0];//Defaults
for(int i=1;i<n;i++)
{
dp[i]=1;
String x="";
for(int j=i-1;j>=0;j--)
{
//First check if number at index j is less than num at i.
// Second the length of that DP should be greater than dp[i]
// -1 since dp of previous could also be one. So we compare the dp[i] as empty initially
if(a[j]<a[i]&&dp[j]>dp[i]-1)
{
dp[i]=dp[j]+1;//Assigning temp length of LIS. There may come along a bigger LIS of a future a[j]
x=ls[j];//Assigning temp LIS of a[j]. Will append a[i] later on
}
}
x+=(" "+a[i]);
ls[i]=x;
if(dp[i]>max)
{
max=dp[i];
seq=ls[i];
}
}
System.out.println("Length of LIS is: " + max + "\nThe Sequence is: " + seq);
}
}
-Code in Aktion: http://ideone.com/sBiOQx
Dies kann in O (n ^ 2) mit Dynamic Programming gelöst werden. Python-Code für das gleiche wäre wie: -
def LIS(numlist):
LS = [1]
for i in range(1, len(numlist)):
LS.append(1)
for j in range(0, i):
if numlist[i] > numlist[j] and LS[i]<=LS[j]:
LS[i] = 1 + LS[j]
print LS
return max(LS)
numlist = map(int, raw_input().split(' '))
print LIS(numlist)
Für die Eingabe: 5 19 5 81 50 28 29 1 83 23
Ausgabe wäre: [1, 2, 1, 3, 3, 3, 4, 1, 5, 3]
5
Die LIST_INDEX der Ausgabeliste ist die LIST_INDEX der Eingabeliste. Der Wert bei einer gegebenen LIST_INDEX in Ausgabeliste bezeichnet die Longest zunehmende Subsequenz Länge für diese LIST_INDEX.
Hier ist Java-O (n log n) Implementierung
import java.util.Scanner;
public class LongestIncreasingSeq {
private static int binarySearch(int table[],int a,int len){
int end = len-1;
int beg = 0;
int mid = 0;
int result = -1;
while(beg <= end){
mid = (end + beg) / 2;
if(table[mid] < a){
beg=mid+1;
result = mid;
}else if(table[mid] == a){
return len-1;
}else{
end = mid-1;
}
}
return result;
}
public static void main(String[] args) {
// int[] t = {1, 2, 5,9,16};
// System.out.println(binarySearch(t , 9, 5));
Scanner in = new Scanner(System.in);
int size = in.nextInt();//4;
int A[] = new int[size];
int table[] = new int[A.length];
int k = 0;
while(k<size){
A[k++] = in.nextInt();
if(k<size-1)
in.nextLine();
}
table[0] = A[0];
int len = 1;
for (int i = 1; i < A.length; i++) {
if(table[0] > A[i]){
table[0] = A[i];
}else if(table[len-1]<A[i]){
table[len++]=A[i];
}else{
table[binarySearch(table, A[i],len)+1] = A[i];
}
}
System.out.println(len);
}
}
Dies ist eine Java-Implementierung in O (n ^ 2). Ich habe einfach nicht Binäre Suche verwendet das kleinste Element in S zu finden, das ist> = als X. Ich habe nur eine for-Schleife. Mit Binary Search würde die Komplexität bei O (n log n) machen
public static void olis(int[] seq){
int[] memo = new int[seq.length];
memo[0] = seq[0];
int pos = 0;
for (int i=1; i<seq.length; i++){
int x = seq[i];
if (memo[pos] < x){
pos++;
memo[pos] = x;
} else {
for(int j=0; j<=pos; j++){
if (memo[j] >= x){
memo[j] = x;
break;
}
}
}
//just to print every step
System.out.println(Arrays.toString(memo));
}
//the final array with the LIS
System.out.println(Arrays.toString(memo));
System.out.println("The length of lis is " + (pos + 1));
}
Kasse den Code in Java für längste zunehmende Subsequenz mit den Array-Elementen
/**
** Java Program to implement Longest Increasing Subsequence Algorithm
**/
import java.util.Scanner;
/** Class LongestIncreasingSubsequence **/
class LongestIncreasingSubsequence
{
/** function lis **/
public int[] lis(int[] X)
{
int n = X.length - 1;
int[] M = new int[n + 1];
int[] P = new int[n + 1];
int L = 0;
for (int i = 1; i < n + 1; i++)
{
int j = 0;
/** Linear search applied here. Binary Search can be applied too.
binary search for the largest positive j <= L such that
X[M[j]] < X[i] (or set j = 0 if no such value exists) **/
for (int pos = L ; pos >= 1; pos--)
{
if (X[M[pos]] < X[i])
{
j = pos;
break;
}
}
P[i] = M[j];
if (j == L || X[i] < X[M[j + 1]])
{
M[j + 1] = i;
L = Math.max(L,j + 1);
}
}
/** backtrack **/
int[] result = new int[L];
int pos = M[L];
for (int i = L - 1; i >= 0; i--)
{
result[i] = X[pos];
pos = P[pos];
}
return result;
}
/** Main Function **/
public static void main(String[] args)
{
Scanner scan = new Scanner(System.in);
System.out.println("Longest Increasing Subsequence Algorithm Test\n");
System.out.println("Enter number of elements");
int n = scan.nextInt();
int[] arr = new int[n + 1];
System.out.println("\nEnter "+ n +" elements");
for (int i = 1; i <= n; i++)
arr[i] = scan.nextInt();
LongestIncreasingSubsequence obj = new LongestIncreasingSubsequence();
int[] result = obj.lis(arr);
/** print result **/
System.out.print("\nLongest Increasing Subsequence : ");
for (int i = 0; i < result.length; i++)
System.out.print(result[i] +" ");
System.out.println();
}
}
Dies kann in O (n ^ 2) unter Verwendung der dynamischen Programmierung gelöst werden.
die Eingabeelemente, um Verfahren und eine Liste von Tupeln für jedes Element erhalten. Jedes Tupel (A, B), für das Element i bezeichnet, A = Länge der längsten zunehmende Subsequenz endend bei i und B = Index der Vorgänger von list [i] in den längsten Subsequenz bei Liste endet zunehmende [i ].
Start von Element 1, die Liste der Tupel für Element 1 wird [(1,0)]
für Element i, scannen die Liste 0..i und Elementliste [k], so dass die Liste [k] Am Ende finden alle Elemente mit max Wert von A (Länge des LIS bei Element endet) und denselben Weg zurückverfolgen die Tupel mit der Liste zu erhalten. Ich habe den Code für gleiche geteilt unter http://www.edufyme.com/code /? id = 66f041e16a60928b05a7e228a89c3799
O (n ^ 2) Java-Implementierung:
void LIS(int arr[]){
int maxCount[]=new int[arr.length];
int link[]=new int[arr.length];
int maxI=0;
link[0]=0;
maxCount[0]=0;
for (int i = 1; i < arr.length; i++) {
for (int j = 0; j < i; j++) {
if(arr[j]<arr[i] && ((maxCount[j]+1)>maxCount[i])){
maxCount[i]=maxCount[j]+1;
link[i]=j;
if(maxCount[i]>maxCount[maxI]){
maxI=i;
}
}
}
}
for (int i = 0; i < link.length; i++) {
System.out.println(arr[i]+" "+link[i]);
}
print(arr,maxI,link);
}
void print(int arr[],int index,int link[]){
if(link[index]==index){
System.out.println(arr[index]+" ");
return;
}else{
print(arr, link[index], link);
System.out.println(arr[index]+" ");
}
}
def longestincrsub(arr1):
n=len(arr1)
l=[1]*n
for i in range(0,n):
for j in range(0,i) :
if arr1[j]<arr1[i] and l[i]<l[j] + 1:
l[i] =l[j] + 1
l.sort()
return l[-1]
arr1=[10,22,9,33,21,50,41,60]
a=longestincrsub(arr1)
print(a)
obwohl es einen Weg gibt, mit denen Sie diese lösen können in O (n log n) Zeit (Dies löst in O (n ^ 2) Zeit), aber immer noch diese Art und Weise gibt die dynamische Programmierung Ansatz, der auch gut ist.
Hier ist meine Leetcode Lösung binäre Suche: ->
class Solution:
def binary_search(self,s,x):
low=0
high=len(s)-1
flag=1
while low<=high:
mid=(high+low)//2
if s[mid]==x:
flag=0
break
elif s[mid]<x:
low=mid+1
else:
high=mid-1
if flag:
s[low]=x
return s
def lengthOfLIS(self, nums: List[int]) -> int:
if not nums:
return 0
s=[]
s.append(nums[0])
for i in range(1,len(nums)):
if s[-1]<nums[i]:
s.append(nums[i])
else:
s=self.binary_search(s,nums[i])
return len(s)
Simplest LIS Lösung in C ++ mit O (nlog (n)) Zeitkomplexität
#include <iostream>
#include "vector"
using namespace std;
// binary search (If value not found then it will return the index where the value should be inserted)
int ceilBinarySearch(vector<int> &a,int beg,int end,int value)
{
if(beg<=end)
{
int mid = (beg+end)/2;
if(a[mid] == value)
return mid;
else if(value < a[mid])
return ceilBinarySearch(a,beg,mid-1,value);
else
return ceilBinarySearch(a,mid+1,end,value);
return 0;
}
return beg;
}
int lis(vector<int> arr)
{
vector<int> dp(arr.size(),0);
int len = 0;
for(int i = 0;i<arr.size();i++)
{
int j = ceilBinarySearch(dp,0,len-1,arr[i]);
dp[j] = arr[i];
if(j == len)
len++;
}
return len;
}
int main()
{
vector<int> arr {2, 5,-1,0,6,1,2};
cout<<lis(arr);
return 0;
}
OUTPUT:
4
