• 代码随想录算法训练营第五十五天丨 动态规划part16


    583. 两个字符串的删除操作

    思路

    #动态规划一

    本题和动态规划:115.不同的子序列 (opens new window)相比,其实就是两个字符串都可以删除了,情况虽说复杂一些,但整体思路是不变的。

    这次是两个字符串可以相互删了,这种题目也知道用动态规划的思路来解,动规五部曲,分析如下:

    • 确定dp数组(dp table)以及下标的含义

    dp[i][j]:以i-1为结尾的字符串word1,和以j-1位结尾的字符串word2,想要达到相等,所需要删除元素的最少次数。

    这里dp数组的定义有点点绕,大家要撸清思路。

    • 确定递推公式
    • 当word1[i - 1] 与 word2[j - 1]相同的时候
    • 当word1[i - 1] 与 word2[j - 1]不相同的时候

    当word1[i - 1] 与 word2[j - 1]相同的时候,dp[i][j] = dp[i - 1][j - 1];

    当word1[i - 1] 与 word2[j - 1]不相同的时候,有三种情况

    情况一:删word1[i - 1],最少操作次数为dp[i - 1][j] + 1

    情况二:删word2[j - 1],最少操作次数为dp[i][j - 1] + 1

    情况三:同时删word1[i - 1]和word2[j - 1],操作的最少次数为dp[i - 1][j - 1] + 2

    那最后当然是取最小值,所以当word1[i - 1] 与 word2[j - 1]不相同的时候,递推公式:dp[i][j] = min({dp[i - 1][j - 1] + 2, dp[i - 1][j] + 1, dp[i][j - 1] + 1});

    因为 dp[i][j - 1] + 1 = dp[i - 1][j - 1] + 2,所以递推公式可简化为:dp[i][j] = min(dp[i - 1][j] + 1, dp[i][j - 1] + 1);

    这里可能不少录友有点迷糊,从字面上理解 就是 当 同时删word1[i - 1]和word2[j - 1],dp[i][j-1] 本来就不考虑 word2[j - 1]了,那么我在删 word1[i - 1],是不是就达到两个元素都删除的效果,即 dp[i][j-1] + 1。

    • dp数组如何初始化

    从递推公式中,可以看出来,dp[i][0] 和 dp[0][j]是一定要初始化的。

    dp[i][0]:word2为空字符串,以i-1为结尾的字符串word1要删除多少个元素,才能和word2相同呢,很明显dp[i][0] = i。

    dp[0][j]的话同理,所以代码如下:

    1. int[][] dp = new int[word1.length() + 1][word2.length() + 1];
    2. for (int i = 0; i < word1.length() + 1; i++) dp[i][0] = i;
    3. for (int j = 0; j < word2.length() + 1; j++) dp[0][j] = j;
    • 确定遍历顺序

    从递推公式 dp[i][j] = min(dp[i - 1][j - 1] + 2, min(dp[i - 1][j], dp[i][j - 1]) + 1); 和dp[i][j] = dp[i - 1][j - 1]可以看出dp[i][j]都是根据左上方、正上方、正左方推出来的。

    所以遍历的时候一定是从上到下,从左到右,这样保证dp[i][j]可以根据之前计算出来的数值进行计算。

    • 举例推导dp数组

    以word1:"sea",word2:"eat"为例,推导dp数组状态图如下:

    583.两个字符串的删除操作1

    以上分析完毕,代码如下:

    1. // dp数组中存储需要删除的字符个数
    2. class Solution {
    3. public int minDistance(String word1, String word2) {
    4. int[][] dp = new int[word1.length() + 1][word2.length() + 1];
    5. for (int i = 0; i < word1.length() + 1; i++) dp[i][0] = i;
    6. for (int j = 0; j < word2.length() + 1; j++) dp[0][j] = j;
    7. for (int i = 1; i < word1.length() + 1; i++) {
    8. for (int j = 1; j < word2.length() + 1; j++) {
    9. if (word1.charAt(i - 1) == word2.charAt(j - 1)) {
    10. dp[i][j] = dp[i - 1][j - 1];
    11. }else{
    12. dp[i][j] = Math.min(dp[i - 1][j - 1] + 2,
    13. Math.min(dp[i - 1][j] + 1, dp[i][j - 1] + 1));
    14. }
    15. }
    16. }
    17. return dp[word1.length()][word2.length()];
    18. }
    19. }
    • 时间复杂度: O(n * m)
    • 空间复杂度: O(n * m)

    #动态规划二

    本题和动态规划:1143.最长公共子序列 (opens new window)基本相同,只要求出两个字符串的最长公共子序列长度即可,那么除了最长公共子序列之外的字符都是必须删除的,最后用两个字符串的总长度减去两个最长公共子序列的长度就是删除的最少步数。

    代码如下:

    1. class Solution {
    2. public int minDistance(String word1, String word2) {
    3. int len1 = word1.length();
    4. int len2 = word2.length();
    5. int[][] dp = new int[len1 + 1][len2 + 1];
    6. for (int i = 1; i <= word1.length(); i++) {
    7. for (int j = 1; j <= word2.length(); j++) {
    8. if (word1.charAt(i - 1) == word2.charAt(j - 1)) {
    9. dp[i][j] = dp[i - 1][j - 1] + 1;
    10. } else {
    11. dp[i][j] = Math.max(dp[i - 1][j], dp[i][j - 1]);
    12. }
    13. }
    14. }
    15. int len = dp[len1][len2];
    16. return len1 + len2 - 2 * len;
    17. }
    18. }
    • 时间复杂度: O(n * m)
    • 空间复杂度: O(n * m)

    72. 编辑距离

    思路

    编辑距离终于来了,这道题目如果大家没有了解动态规划的话,会感觉超级复杂。

    编辑距离是用动规来解决的经典题目,这道题目看上去好像很复杂,但用动规可以很巧妙的算出最少编辑距离。

    接下来依然使用动规五部曲,对本题做一个详细的分析:

    #1. 确定dp数组(dp table)以及下标的含义

    dp[i][j] 表示以下标i-1为结尾的字符串word1,和以下标j-1为结尾的字符串word2,最近编辑距离为dp[i][j]

    为啥要表示下标i-1为结尾的字符串呢,为啥不表示下标i为结尾的字符串呢?

    为什么这么定义卡哥在 718. 最长重复子数组 (opens new window)中做了详细的讲解。

    其实用i来表示也可以! 用i-1就是为了方便后面dp数组初始化的。

    #2. 确定递推公式

    在确定递推公式的时候,首先要考虑清楚编辑的几种操作,整理如下:

    1. if (word1[i - 1] == word2[j - 1])
    2. 不操作
    3. if (word1[i - 1] != word2[j - 1])

    也就是如上4种情况。

    if (word1[i - 1] == word2[j - 1]) 那么说明不用任何编辑,dp[i][j] 就应该是 dp[i - 1][j - 1],即dp[i][j] = dp[i - 1][j - 1];

    此时可能有同学有点不明白,为啥要即dp[i][j] = dp[i - 1][j - 1]呢?

    那么就在回顾上面讲过的dp[i][j]的定义,word1[i - 1] 与 word2[j - 1]相等了,那么就不用编辑了,以下标i-2为结尾的字符串word1和以下标j-2为结尾的字符串word2的最近编辑距离dp[i - 1][j - 1]就是 dp[i][j]了。

    在下面的讲解中,如果哪里看不懂,就回想一下dp[i][j]的定义,就明白了。

    在整个动规的过程中,最为关键就是正确理解dp[i][j]的定义!

    if (word1[i - 1] != word2[j - 1]),此时就需要编辑了,如何编辑呢?

    • 操作一:word1删除一个元素,那么就是以下标i - 2为结尾的word1 与 j-1为结尾的word2的最近编辑距离 再加上一个操作。

    即 dp[i][j] = dp[i - 1][j] + 1;

    • 操作二:word2删除一个元素,那么就是以下标i - 1为结尾的word1 与 j-2为结尾的word2的最近编辑距离 再加上一个操作。

    即 dp[i][j] = dp[i][j - 1] + 1;

    这里有同学发现了,怎么都是删除元素,添加元素去哪了。

    word2添加一个元素,相当于word1删除一个元素,例如 word1 = "ad" ,word2 = "a"word1删除元素'd' 和 word2添加一个元素'd',变成word1="a", word2="ad", 最终的操作数是一样! dp数组如下图所示意的:

    1. a a d
    2. +-----+-----+ +-----+-----+-----+
    3. | 0 | 1 | | 0 | 1 | 2 |
    4. +-----+-----+ ===> +-----+-----+-----+
    5. a | 1 | 0 | a | 1 | 0 | 1 |
    6. +-----+-----+ +-----+-----+-----+
    7. d | 2 | 1 |
    8. +-----+-----+

    操作三:替换元素,word1替换word1[i - 1],使其与word2[j - 1]相同,此时不用增删加元素。

    可以回顾一下,if (word1[i - 1] == word2[j - 1])的时候我们的操作 是 dp[i][j] = dp[i - 1][j - 1] 对吧。

    那么只需要一次替换的操作,就可以让 word1[i - 1] 和 word2[j - 1] 相同。

    所以 dp[i][j] = dp[i - 1][j - 1] + 1;

    综上,当 if (word1[i - 1] != word2[j - 1]) 时取最小的,即:dp[i][j] = min({dp[i - 1][j - 1], dp[i - 1][j], dp[i][j - 1]}) + 1;

    递归公式代码如下:

    1. if (word1[i - 1] == word2[j - 1]) {
    2. dp[i][j] = dp[i - 1][j - 1];
    3. }
    4. else {
    5. dp[i][j] = min({dp[i - 1][j - 1], dp[i - 1][j], dp[i][j - 1]}) + 1;
    6. }

    #3. dp数组如何初始化

    再回顾一下dp[i][j]的定义:

    dp[i][j] 表示以下标i-1为结尾的字符串word1,和以下标j-1为结尾的字符串word2,最近编辑距离为dp[i][j]

    那么dp[i][0] 和 dp[0][j] 表示什么呢?

    dp[i][0] :以下标i-1为结尾的字符串word1,和空字符串word2,最近编辑距离为dp[i][0]。

    那么dp[i][0]就应该是i,对word1里的元素全部做删除操作,即:dp[i][0] = i;

    同理dp[0][j] = j;

    所以C++代码如下:

    1. for (int i = 0; i <= word1.size(); i++) dp[i][0] = i;
    2. for (int j = 0; j <= word2.size(); j++) dp[0][j] = j;

    #4. 确定遍历顺序

    从如下四个递推公式:

    • dp[i][j] = dp[i - 1][j - 1]
    • dp[i][j] = dp[i - 1][j - 1] + 1
    • dp[i][j] = dp[i][j - 1] + 1
    • dp[i][j] = dp[i - 1][j] + 1

    可以看出dp[i][j]是依赖左方,上方和左上方元素的,如图:

    72.编辑距离

    所以在dp矩阵中一定是从左到右从上到下去遍历。

    代码如下:

    1. for (int i = 1; i <= word1.size(); i++) {
    2. for (int j = 1; j <= word2.size(); j++) {
    3. if (word1[i - 1] == word2[j - 1]) {
    4. dp[i][j] = dp[i - 1][j - 1];
    5. }
    6. else {
    7. dp[i][j] = min({dp[i - 1][j - 1], dp[i - 1][j], dp[i][j - 1]}) + 1;
    8. }
    9. }
    10. }

    #5. 举例推导dp数组

    以示例1为例,输入:word1 = "horse", word2 = "ros"为例,dp矩阵状态图如下:

    72.编辑距离1

    以上动规五部分析完毕,代码如下:

    1. class Solution {
    2. public int minDistance(String word1, String word2) {
    3. int len1 = word1.length();
    4. int len2 = word2.length();
    5. int[][] dp = new int[len1 + 1][len2 + 1];
    6. //初始化
    7. for (int i = 0; i <= len1; i++) dp[i][0]=i;
    8. for (int j = 0; j <= len2; j++) dp[0][j]=j;
    9. for (int i = 1; i <= len1; i++) {
    10. for (int j = 1; j <= len2; j++) {
    11. if (word1.charAt(i - 1) == word2.charAt(j - 1)) {
    12. dp[i][j] = dp[i - 1][j - 1];
    13. } else {
    14. dp[i][j] = Math.min(dp[i - 1][j], Math.min(dp[i][j - 1],dp[i-1][j-1]))+1;
    15. }
    16. }
    17. }
    18. return dp[len1][len2];
    19. }
    20. }
    • 时间复杂度: O(n * m)
    • 空间复杂度: O(n * m)

  • 相关阅读:
    [贪心]Black Magic 2022杭电多校第7场 1004
    SpringMVC - 对于如何配置 Filter 的深度剖析
    新华三辅导笔记 2023/10/9-2023/10/13
    华为手机NFC功能,教你一键复制各种卡
    Redis+SpringBoot企业版集群实战------【华为云版】
    [模型部署] ONNX模型转TRT模型部分要点
    北邮 数字系统设计 14 Floating Point Number
    猿创征文|深度剖析复杂的菱形继承与菱形虚拟继承
    三农数据(1996-2020)十:农林牧渔业总产值、分项产值、各种农作物播种面积
    C#WPF使转换器Converter使用实例
  • 原文地址:https://blog.csdn.net/qq_67786627/article/details/134432993