LeetCode 第 300 题：最长上升子序列（动态规划、贪心算法）

地址：https://leetcode-cn.com/problems/longest-increasing-subsequence/

我写的题解地址：https://leetcode-cn.com/problems/longest-increasing-subsequence/solution/dong-tai-gui-hua-er-fen-cha-zhao-tan-xin-suan-fa-p/

首先，需要对子序列和子串进行区分；

• 子序列（subsequence）：并不要求连续，序列 [4, 6, 5] 是 [1, 2, 4, 3, 7, 6, 5] 的一个子序列。
• 子串（substring、subarray）：一定是连续的，例如：「力扣」第 3 题：“无重复字符的最长子串”，「力扣」第 53 题：“最大子序和”。

其次，题目中的“上升”要求严格“上升”，即不能有重复元素；

第三，子序列中元素的相对顺序很重要，它们必须保持在原始数组中的相对顺序不变。否则这道题去重以后，元素的个数即为所求。

首先思考暴力解法，使用“回溯搜索算法”或者“位运算”的技巧，得到原始数组的所有可能的子序列（时间复杂度 $O(2^N)$），对这些子串再依次判定是否为“严格”上升，（时间复杂度 $O(N)$），总的时间复杂度为：$O(N{2}^N)$。

这道题是经典的使用动态规划解决的问题，在这里我尝试解释使用动态规划解决这个问题的思路。

方法一：动态规划

• 第 1 步：定义状态。首先考虑是否可以“题目问什么，就把什么定义成状态”，发现无从下手。不过可以基于下面这个考虑定义状态：

从一个较短的上升子序列得到一个较长的上升子序列，我们主要关心这个较短的上升子序列的结尾元素。

为了保证子序列的相对顺序性，在程序读到一个新的数的时候，如果比已经得到的子序列的最后一个数还大，那么就可以放在这个子序列的最后，形成一个更长的子序列。

一个子序列一定会以一个数结尾，于是将状态定义成：dp[i] 表示以 nums[i] 结尾的“最长上升子序列”的长度，注意这个定义中 nums[i] 必须被选取，且必须被放在最后一个元素。

• 第 2 步：考虑状态转移方程；

遍历到 nums[i] 时，考虑把索引 i 之前的所有的数都看一遍，只要当前的数 nums[i] 严格大于之前的某个数，那么 nums[i] 就可以接在这个数后面形成一个更长的上升子序列。因此，dp[i] 就等于索引 i 之前严格小于 nums[i] 的状态最大者 $+1$。

语言描述：在索引 i 之前严格小于 nums[i] 的所有状态中的最大者 $+1$。

符号描述：

$$dp[i]=\underset{0\le j<i,nums[j]<nums[i]}{\max }dp[j]+1$$

• 第 3 步：考虑初始化：dp[0] = 1，1 个字符当然也是长度为 1 的上升子序列；
• 第 4 步：考虑输出：所有 dp[i] 中的最大值（dp[i] 考虑了所有以 nums[i] 结尾的上升子序列）；

$$\underset{1\le i\le N}{\max }dp[i]$$

• 第 5 步：考虑状态压缩：之前所有的状态都得保留，因此无法压缩。

Java 代码：

import java.util.Arrays;

public class Solution {

    public int lengthOfLIS(int[] nums) {
        int len = nums.length;
        if (len < 2) {
            return len;
        }

        int[] dp = new int[len];
        Arrays.fill(dp, 1);
        for (int i = 1; i < len; i++) {
            for (int j = 0; j < i; j++) {
                if (nums[j] < nums[i]) {
                    dp[i] = Math.max(dp[i], dp[j] + 1);
                }
            }
        }

        int res = 0;
        for (int i = 0; i < len; i++) {
            res = Math.max(res, dp[i]);
        }
        return res;
    }
}

复杂度分析：

• 时间复杂度：$O(N^2)$，因为有两个 for 循环，每个 for 循环的时间复杂度都是线性的。
• 空间复杂度：$O(N)$，要开和原始数组等长的状态数组，因此空间复杂度是 $O(N)$。

这个动态规划的方法在计算一个新的状态的时候，需要考虑到之前所有小于 nums[i] 的那些位置的状态。事实上，这个算法还有改进的空间。

方法二：修改状态定义、贪心算法、二分查找

依然是着眼于一个上升子序列的结尾元素。思路是这样的：

如果已经得到的上升子序列的结尾的数越小，遍历的时候后面接上一个数，就会有更大的可能性构成一个更长的上升子序列。

说明：

1、在最开始，我们强调了子序列的定义，必须保持子序列中的元素在原始数组中的相对顺序。因此，通过从左向右遍历得到一个上升子序列，这个方法是合理的；

2、既然结尾越小越好，可以如下定义状态。为了与之前的状态区分，这里将状态数组命名为 tail。

• 第 1 步：定义新的状态。

tail[i] 表示长度为 i + 1 的所有最长上升子序列的结尾的最小值。

说明： 1、状态定义其实也描述了状态转移方程；

2、以题目中的示例为例 [10, 9, 2, 5, 3, 7, 101, 18] 中，容易发现长度为 2 的所有上升子序列中结尾最小的是 [2, 3] ，因此 tail[1] = 3。

• 第 2 步：思考状态转移方程。状态转移方程包含在状态定义中。

从直觉上看，数组 tail 也是一个严格上升数组。

下面证明：即对于任意的索引 i < j ，都有 tail[i] < tail[j]。

使用反证法：

假设对于任意的索引 i < j ，存在某个 tail[i] >= tail[j]。

对于此处的 tail[i] 而言，对应一个上升子序列 $[a_0,a_1,...,a_i]$，依据定义 $tail[i]=a_i$；
对于此处的 tail[j] 而言，对应一个上升子序列 $[b_0,b_1,...,b_i,...,b_j]$，依据定义 $tail[j]=b_j$；

由于 tail[i] >= tail[j] ，等价于 $a_i\ge b_j$，而在上升子序列 $[b_0,b_1,...,b_i,...,b_j]$ 中，$b_i$ 严格小于 $b_j$，故有 $a_i\ge b_j>b_i$，则上升子序列 $[b_0,b_1,...,b_i]$ 是一个长度也为 i + 1 但是结尾更小的数组，与 $a_i$ 的最小性矛盾。因此原命题成立。

因此，我们只需要维护有序数组 tail ，它的长度就是最长上升子序列的长度。下面说明如何在遍历中维护有序数组 tail 的定义：

遍历到新的数 nums[i] 时，首先看 nums[i] 是否严格大于有序数组 tail 的末尾元素。

如果 tail[len - 1] < nums[i] ，则 tail[len] = nums[i]，得到一个更长的上升子序列；

如果数组 tail 中有元素等于 nums[i] 什么都不操作，新遍历到的数不会使得已有的子序列的长度更长；

剩下的情况是，有序数组 tail 中一定有一个元素大于 nums[i] ，将第 1 个大于等于 nums[i] 位置的元素变小，这一步操作正是在维护数组 tail[i] 的定义。