力扣300——最长上升子序列

这道题主要涉及动态规划，优化时可以考虑贪心算法和二分查找。

原题

给定一个无序的整数数组，找到其中最长上升子序列的长度。

示例:

输入: [10,9,2,5,3,7,101,18]
输出: 4 
解释: 最长的上升子序列是 [2,3,7,101]，它的长度是 4。

说明:

• 可能会有多种最长上升子序列的组合，你只需要输出对应的长度即可。
• 你算法的时间复杂度应该为 O(n2) 。

进阶: 你能将算法的时间复杂度降低到 O(n log n) 吗?

解题

暴力法

这也是最基础的想法，利用递归，从每一个数开始，一个一个寻找，只要比选中的标准大，那么就以新的数为起点，继续找。全部找完后，找出最长的序列即可。

也看一下代码：

class Solution {
    public int lengthOfLIS(int[] nums) {
        // 递归查询
        return recursiveSearch(nums, Integer.MIN_VALUE, 0);
    }

    public int recursiveSearch(int[] nums, int standard, int index) {
        if (nums.length == index) {
            return 0;
        }
        
        // 如果包含当前index的数字，其递增长度
        int tokenLength = 0;
        if (nums[index] > standard) {
            tokenLength = 1 + recursiveSearch(nums, nums[index], index + 1);
        }

        // 如果不包含当前index的数字，其递增长度
        int notTokenLength = recursiveSearch(nums, standard, index + 1);

        // 返回较大的那个值
        return tokenLength > notTokenLength ? tokenLength : notTokenLength;
    }
}

提交之后报超出时间限制，这个也是预料到的，那么我们优化一下。

记录中间结果

仔细分析一下上面的暴力解法，假设 nums 是： [10,9,2,5,3,7,101,18]，那么从 7 到 101 这个查找，在2、5、3的时候，都曾经查找过一遍。

那么针对这种重复查找的情况，我们可以用一个二维数组，记录一下中间结果，这样就可以达到优化的效果。比如用int[][] result标记为记录中间结果的数组，那么result[i][j]就代表着从 nums[i - 1] 开始，无论包含还是不包含 nums[j] 的最大递增序列长度。这样就能保证不再出现重复计算的情况了。

让我们看看代码：

class Solution {
    public int lengthOfLIS(int[] nums) {
        // 记录已经计算过的结果
        int result[][] = new int[nums.length + 1][nums.length];
        for (int i = 0; i < nums.length + 1; i++) {
            for (int j = 0; j < nums.length; j++) {
                result[i][j] = -1;
            }
        }
        // 递归查询
        return recursiveSearch(nums, -1, 0, result);
    }

    public int recursiveSearch(int[] nums, int preIndex, int index, int[][] result) {
        if (nums.length == index) {
            return 0;
        }

        // 如果已经赋值，说明计算过，因此直接返回
        if (result[preIndex + 1][index] > -1) {
            return result[preIndex + 1][index];
        }

        // 如果包含当前index的数字，其递增序列最大长度
        int tokenLength = 0;
        if (preIndex < 0 || nums[index] > nums[preIndex]) {
            tokenLength = 1 + recursiveSearch(nums, index, index + 1, result);
        }

        // 如果不包含当前index的数字，其递增序列最大长度
        int notTokenLength = recursiveSearch(nums, preIndex, index + 1, result);

        // 返回较大的那个值
        result[preIndex + 1][index] = tokenLength > notTokenLength ? tokenLength : notTokenLength;
        return result[preIndex + 1][index];
    }
}

提交OK，但是结果感人，几乎是最慢的了，无论时间还是空间上，都只打败了`5%`左右的用户，那就继续优化。

### 动态规划

假设我知道了从 nums[0] 到 nums[i] 的最大递增序列长度，那么针对 nums[i + 1]，我只要去跟前面的所有数比较一下，找出前面所有数中比 nums[i + 1] 小的数字中最大的递增子序列，再加1就是 nums[i + 1] 对应的最大递增子序列。

这样我只要再记录一个最大值，就可以求出整个数组的最大递增序列了。

让我们看看代码：

class Solution {
    public int lengthOfLIS(int[] nums) {
        if (nums.length == 0) {
            return 0;
        }

        // 动态规划，之前几个数字中，有几个比当前数小的，不断更新

        // 存储中间结果
        int[] dp = new int[nums.length];
        // 最大值，因为数组中至少有一个，所以最小是1
        int max = 1;
				// 遍历
        for (int i = 0; i < dp.length; i++) {
            // 当前下标i的最大递增序列长度
            int currentMax = 0;
            for (int j = 0; j < i; j++) {
                // 如果nums[i]比nums[j]大，那么nums[i]可以加在nums[j]后面，继续构成一个递增序列
                if (nums[i] > nums[j]) {
                    currentMax = Math.max(currentMax, dp[j]);
                }
            }

            // 加上当前的数
            dp[i] = currentMax + 1;

            max = Math.max(dp[i], max);
        }

        return max;
    }
}

提交OK，执行用时：9 ms，只战胜了75.15%的 java 提交，看来还是可以继续优化的。

贪心算法 + 二分查找

贪心算法意味着不需要是最完美的结果，只要针对当前是有效的，就可以了。

我们之前在构造递增序列的时候，其实是在不断根据之前的值进行更新的，并且十分准确。但其实并不需要如此，只要保证序列中每个数都相对较小，就可以得出最终的最大长度。

还是以 [10,9,2,5,3,7,101,18,4,8,6,12]举例：

1. 从10到2，都是无法构成的，因为每一个都比之前的小。
2. 当以最小的2作为起点后，2,5、2,3都是可以作为递增序列，但明显感觉2,3更合适，因为3更小。
3. 因为7大于3，因此递增序列增长为2,3,7。
4. 因为101也大于7，因此递增序列增长为2,3,7,101。
5. 因为18小于101，但是大于7，因此我们可以用18替换101，因为18更小，序列更新为2,3,7,18
6. 此时遇到4，4大于3但是小于7，我们可以用它替换7，虽然此时新的序列2,3,4,18并不是真正的结果，但首先长度上没有问题，其次如果出现新的可以排在最后的数，一定是大于4的，因为要先大于现在的最大值18。序列更新为2,3,4,18。
7. 同理，8大于4小于18，替换18，此时新的序列2,3,4,8，这样是不是大家开始懂得了这个规律。
8. 遇到6之后，更新为2,3,4,6。
9. 遇到12后，更新为2,3,4,6,12。

这样也就求出了最终的结果。

结合一下题目说明里提到的O(nlogn)，那么就可以想到二分查找，运用到这里也就是找到当前数合适的位置。

接下来让我们看看代码：

class Solution {
    public int lengthOfLIS(int[] nums) {
        if (nums.length == 0) {
            return 0;
        }

        // 贪心 + 二分查找

        // 一个空数组，用来存储最长递增序列
        int[] result = new int[nums.length];
        result[0] = nums[0];
        // 空数组的长度
        int resultLength = 1;
        // 遍历
        for (int i = 1; i < nums.length; i++) {
            int num = nums[i];
            // 如果num比当前最大数大，则直接加在末尾
            if (num > result[resultLength - 1]) {
                result[resultLength] = num;
                resultLength++;
                continue;
            }
            // 如果和最大数相等，直接跳过
            if (num == result[resultLength - 1]) {
                continue;
            }

            // num比最大值小，则找出其应该存在的位置
            int shouldIndex = Arrays.binarySearch(result, 0, resultLength, num);
            if (shouldIndex < 0) {
                shouldIndex = -(shouldIndex + 1);
            }
            // 更新，此时虽然得出的result不一定是真正最后的结果，但首先其resultLength不会变，之后就算resultLength变大，也是相对正确的结果
            // 这里的更新，只是为了让result数组中每个位置上的数，是一个相对小的数字
            result[shouldIndex] = num;
        }

        return resultLength;
    }
}

提交OK，执行用时：2 ms，差不多了。

总结

以上就是这道题目我的解答过程了，不知道大家是否理解了。这道题目用动态规划其实就已经能解决了，但为了优化，还需要用到贪心算法和二分查找。

有兴趣的话可以访问我的博客或者关注我的公众号、头条号，说不定会有意外的惊喜。

https://death00.github.io/

公众号：健程之道