最长上升（不下降）子序列(详细，转)

LIS（Longest Increasing Subsequence）最长上升（不下降）子序列，有两种算法复杂度为O(n*logn)和O(n^2)。在上述算法中，若使用朴素的顺序查找在 D1..Dlen查找，由于共有O(n)个元素需要计算，每次计算时的复杂度是O(n)，则整个算法的时间复杂度为O(n^2)，与原来算法相比没有任何 进步。但是由于D的特点(2)，在D中查找时，可以使用二分查找高效地完成，则整个算法时间复杂度下降为O(nlogn)，有了非常显著的提高。需要注意 的是，D在算法结束后记录的并不是一个符合题意的最长上升子序列！算法还可以扩展到整个最长子序列系列问题。
　有两种算法复杂度为O(n*logn)和O(n^2)
O(n^2)算法分析如下
　　（a[1]...a[n] 存的都是输入的数）
　　1、对于a[n]来说，由于它是最后一个数，所以当从a[n]开始查找时，只存在长度为1的不下降子序列；
　　2、若从a[n-1]开始查找，则存在下面的两种可能性：
　　（1）若a[n-1] < a[n] 则存在长度为2的不下降子序列 a[n-1],a[n].
　　（2）若a[n-1] > a[n] 则存在长度为1的不下降子序列 a[n-1]或者a[n]。
　　3、一般若从a[t]开始，此时最长不下降子序列应该是按下列方法求出的：
　　在a[t+1],a[t+2],...a[n]中，找出一个比a[t]大的且最长的不下降子序列，作为它的后继。
　　4、为算法上的需要，定义一个数组：
　　d:array [1..n,1..3] of integer;
　　d[t,1]表示a[t]
　　d[t,2]表示从i位置到达n的最长不下降子序列的长度
　　d[t,3]表示从i位置开始最长不下降子序列的下一个位置
最长不下降子序列的O(n*logn)算法
　 　先回顾经典的O(n^2)的动态规划算法，设A[t]表示序列中的第t个数，F[t]表示从1到t这一段中以t结尾的最长上升子序列的长度，初始时设 F[t] = 0(t = 1, 2, ..., len(A))。则有动态规划方程：F[t] = max{1, F[j] + 1} (j = 1, 2, ..., t - 1, 且A[j] < A[t])。
　　现在，我们仔细考虑计算F[t]时的情况。假设有两个元素A[x]和A[y]，满足
　　(1)x < y < t (2)A[x] < A[y] < A[t] (3)F[x] = F[y]
　　此时，选择F[x]和选择F[y]都可以得到同样的F[t]值，那么，在最长上升子序列的这个位置中，应该选择A[x]还是应该选择A[y]呢？
　　很明显，选择A[x]比选择A[y]要好。因为由于条件(2)，在A[x+1] ... A[t-1]这一段中，如果存在A[z]，A[x] < A[z] < a[y]，则与选择A[y]相比，将会得到更长的上升子序列。
　　再根据条件(3)，我们会得到一个启示：根据F[]的值进行分类。对于F[]的每一个取值k，我们只需要保留满足F[t] = k的所有A[t]中的最小值。设D[k]记录这个值，即D[k] = min{A[t]} (F[t] = k)。
　　注意到D[]的两个特点：
　　(1)　D[k]的值是在整个计算过程中是单调不上升的。
　　(2)　D[]的值是有序的，即D[1] < D[2] < D[3] < ... < D[n]。
　 　利用D[]，我们可以得到另外一种计算最长上升子序列长度的方法。设当前已经求出的最长上升子序列长度为len。先判断A[t]与D[len]。若 A[t] > D[len]，则将A[t]接在D[len]后将得到一个更长的上升子序列，len = len + 1， D[len] = A[t]；否则，在D[1]..D[len]中，找到最大的j，满足D[j] < A[t]。令k = j + 1，则有D[j] < A[t] <= D[k]，将A[t]接在D[j]后将得到一个更长的上升子序列，同时更新D[k] = A[t]。最后，len即为所要求的最长上升子序列的长度。
　　在上述算法中，若使用朴素的顺序查找在D[1]..D[len]查找，由于共有 O(n)个元素需要计算，每次计算时的复杂度是O(n)，则整个算法的时间复杂度为O(n^2)，与原来的算法相比没有任何进步。但是由于D[]的特点 (2)，我们在D[]中查找时，可以使用二分查找高效地完成，则整个算法的时间复杂度下降为O(nlogn)，有了非常显著的提高。需要注意的是，D[] 在算法结束后记录的并不是一个符合题意的最长上升子序列！
　　这个算法还可以扩展到整个最长子序列系列问题，整个算法的难点在于二分查找的设计，需要非常小心注意。

 

介绍二：

最长上升子序列LIS算法实现  最长上升子序列问题是各类信息学竞赛中的常见题型，也常常用来做介绍动态规划算法的引例，笔者接下来将会对POJ上出现过的这类题目做一个总结，并介绍解决LIS问题的两个常用算法(n^2)和(nlogn).

问题描述:给出一个序列a1,a2,a3,a4,a5,a6,a7....an,求它的一个子序列（设为s1,s2,...sn），使得这个子序列 满足这样的性质，s1<s2<s3<...<sn并且这个子序列的长度最长。输出这个最长的长度。（为了简化该类问题，我们将诸 如最长下降子序列及最长不上升子序列等问题都看成同一个问题，其实仔细思考就会发现，这其实只是<符号定义上的问题，并不影响问题的实质）

例如有一个序列:1 7 3 5 9 4 8,它的最长上升子序列就是 1 3 4 8 长度为4.

算法1(n^2):我们依次遍历整个序列，每一次求出从第一个数到当前这个数的最长上升子序列，直至遍历到最后一个数字为止，然后再取dp数组里最 大的那个即为整个序列的最长上升子序列。我们用dp[i]来存放序列1-i的最长上升子序列的长度，那么dp[i]=max(dp[j])+1, (j∈[1, i-1]); 显然dp[1]=1,我们从i=2开始遍历后面的元素即可。

下面是模板：

 1 //最长上升子序列(n^2)模板

 2 //入口参数：1.数组名称 2.数组长度（注意从1号位置开始）

 3 template<class T>

 4 int LIS(T a[],int n)

 5 {

 6 int i,j;

 7 int ans=1;

 8 int m=0;

 9 int *dp=new int[n+1];

10 dp[1]=1;

11 for(i=2;i<=n;i++)

12 {

13 m=0;

14 for(j=1;j<i;j++)

15 {

16 if(dp[j]>m&&a[j]<a[i])

17 m=dp[j];

18 }

19 dp[i]=m+1;

20 if(dp[i]>ans)

21 ans=dp[i];

22 }

23 return ans;

24 }

View Code

 

算法2(nlogn):维护一个一维数组c，并且这个数组是动态扩展的，初始大小为1，c[i]表示最长上升子序列长度是i的所有子串中末尾最小的 那个数，根据这个数字，我们可以比较知道，只要当前考察的这个数比c[i]大，那么当前这个数一定能通过c[i]构成一个长度为i+1的上升子序列。当然 我们希望在C数组中找一个尽量靠后的数字，这样我们得到的上升子串的长度最长，查找的时候使用二分搜索，这样时间复杂度便下降了。

模板如下：

 1 //最长上升子序列nlogn模板

 2 //入口参数:数组名+数组长度，类型不限，结构体类型可以通过重载运算符实现

 3 //数组下标从1号开始。

 4 /**//////////////////////////BEGIN_TEMPLATE_BY_ABILITYTAO_ACM////////////////////////////

 5 template<class T>

 6 int bsearch(T c[],int n,T a)

 7 {

 8 int l=1, r=n;

 9 while(l<=r)

10 {

11 int mid = (l+r)/2;

12 if( a > c[mid] && a <= c[mid+1] ) return mid+1; // >&&<= 换为: >= && <

13 else if( a < c[mid] ) r = mid-1;

14 else l = mid+1;

15 }

16 }

17 template<class T>

18 int LIS(T a[], int n)

19 {

20 int i, j, size = 1;

21 T *c=new T[n+1];

22 int *dp=new int[n+1];

23 c[1] = a[1]; dp[1] = 1;

24 for(i=2;i<=n;++i)

25 {

26 if( a[i] <= c[1] ) j = 1;// <= 换为: <

27 else if( a[i] >c[size] )

28 j=++size; // > 换为: >=

29 else

30 j = bsearch(c, size, a[i]);

31 c[j] = a[i]; dp[i] = j;

32 }

33 return size;

34 }

View Code