标签：nums 300 max 递增 int 序列 最长 dp
LeetCode - 300. 最长递增子序列
题目描述
难度：中等
给你一个整数数组 nums ，找到其中最长严格递增子序列的长度。
子序列是由数组派生而来的序列，删除（或不删除）数组中的元素而不改变其余元素的顺序。例如，[3,6,2,7] 是数组 [0,3,1,6,2,2,7] 的子序列。
示例 1：
输入：nums = [10,9,2,5,3,7,101,18]
输出：4
解释：最长递增子序列是 [2,3,7,101]，因此长度为 4 。
示例 2：
输入：nums = [0,1,0,3,2,3]
输出：4
示例 3：
输入：nums = [7,7,7,7,7,7,7]
输出：1
提示：
1 <= nums.length <= 2500
-104 <= nums[i] <= 104
分析
读题，给定一个整数数组 nums ，求最长的升序子序列（子序列可以不连续）；
像这种最长，最优的问题一般都可以使用动态规划，大致可以理解为将要求的问题分解为一个一个子问题，通过求子问题的最优解来求原问题的最优解；
我们可以给定义状态 dp[i] 是以 nums[i] 这个元素结尾的最长升序子序列的长度，由于每个最长子序列的初始长度都是 1 也就是只有它本身，我们可以规定边界：dp[i] 的初始值为 1；
我们可以定义一个变量 j，它和变量 i 具有同样的意思 ( dp[ j ] 是以 nums[ j ] 这个元素结尾的最长升序子序列的长度) ，其中 0 ≤ j < i ，当 num[i] > num[j] 时可以认为 dp[i] = dp[j] + 1 (当前的子序列长度通过之前的子序列长度加 1 求得），然而 j 代表 i 之前的所有元素 且我们要取最优解也就是所有 dp[j] 中最长的，则有状态转移方程 dp[i] = max(dp[j]) + 1 （满足递增序列需要的判断条件: nums[i] > nums[j] );
代码：
public int lengthOfLIS(int[] nums) {
if(nums == null || nums.length == 0){
return 0;
}
int max = 0;// 最长子序列长度
int[] dp = new int[nums.length]; // dp(i) 是以 nums[i] 结尾的最长递增子序列的长度
for (int i = 0; i < nums.length; i++) {
dp[i] = 1; // 边界 每个子序列的初始值
for (int j = 0; j < i; j++){
if(nums[i] > nums[j]){ // 状态转移方程判断条件
dp[i] = Math.max(dp[i], dp[j] + 1); // dp[i] = max(dp[j]) + 1
}
}
// 每次都取出最长递增子序列的长度
max = Math.max(dp[i], max);
}
return max;
}
总结
第一次使用动态规划，思维还是比较模糊抽象，这个东西比较难理解，最开始自己用动态规划写的时候状态转移方程就写错了，导致最后全盘出错；
使用动态规划时能想出状态转移方程以及其条件，就已经参悟其奥妙一大半了，再接再厉！
岁月悠悠，衰微只及肌肤；热忱抛却，颓废必致灵魂
标签：nums,300,max,递增,int,序列,最长,dp 来源： https://blog.csdn.net/m0_53930990/article/details/120398887
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。