最长严格递增子序列
题目描述
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:
输入:nums = [2,1,6,3,5,4]
输出:3
解释:最长递增子序列是 [1,3,4],因此长度为 3。
思路
这道题要求最长上升子序列的长度,可以使用动态规划或贪心+二分查找两种方法来解决。
-
动态规划
定义状态:dp[i]表示以第i个元素为结尾的最长上升子序列的长度。
状态转移方程:对于第i个元素,枚举其前面的元素j,如果nums[i] > nums[j],则dp[i] = dp[j] + 1。同时,在每次更新dp[i]时,更新ans为其最大值。
-
贪心+二分查找
定义一个数组d,d[i]记录长度为i的上升子序列的末尾元素的最小值。对于一个新的元素num[i],如果num[i]大于d[len],说明可以扩展当前的最长上升子序列,直接将其加入到d中;否则在d中查找第一个大于等于num[i]的元素位置pos,用num[i]替换它,使得可以扩展更长的上升子序列。
两种方法的时间复杂度分别为O(n^2)和O(nlogn),空间复杂度都是O(n)。
代码
js
// 方法一:动态规划:时间复杂度O(n^2) 空间复杂度O(n)
var lengthOfLIS = function(nums) {
if(nums.length === 0) return 0
const dp = new Array(nums.length).fill(1)
let ans = 1;
for(let i = 1 ; i < nums.length; i ++) {
for(let j = 0 ; j < i ; j ++) {
if(nums[i] > nums[j]) {
dp[i] = Math.max(dp[i],dp[j] + 1);
}
}
ans = Math.max(dp[i],ans);
}
console.log(dp);
return ans;
};
// 方法二:贪心+二分查找:时间复杂度O(nlogn) 空间复杂度O(n)
var lenghtOfLIS = function(nums) {
let n = nums.length;
if(n === 0) return 0;
let d = new Array(n + 1).fill(0);
let len = 1;
d[len] = nums[0];
for(let i = 1; i < n ; i ++) {
if(num[i] > d[len]) {
d[++len] = nums[i];
} else {
let l = 1 , r = len , pos = 0;
while(l <= r) {
let mid = (l + r) >> 1;
if(d[mid] < num[i]) {
pos = mid;
l = mid + 1;
} else {
r = mid - 1;
}
}
d[pos + 1] = nums[i];
}
}
return len;
}
路径总和 II
题目描述
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。
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 。
思路
我们可以采用深度优先搜索的方式,枚举每一条从根节点到叶子节点的路径。当我们遍历到叶子节点,且此时路径和恰为目标和时,我们就找到了一条满足条件的路径。
代码
js
var pathSum = function(root, target) {
let ans = [],path = [];
let dfs = (root,target) => {
if(!root) return;
path.push(root.val);
target -= root.val;
if(root.left === null && root.right === null && target === 0) {
ans.push([...path]);
}
dfs(root.left,target);
dfs(root.right,target);
path.pop(root.val);
}
dfs(root,target);
return ans;
};