题目
中等
相关标签
给你两个单词 word1 和 word2， 请返回将 word1 转换成 word2 所使用的最少操作数 。
你可以对一个单词进行如下三种操作：
- 插入一个字符
- 删除一个字符
- 替换一个字符
示例 1：
输入：word1 = "horse", word2 = "ros"
输出：3
解释：
horse -> rorse (将 'h' 替换为 'r')
rorse -> rose (删除 'r')
rose -> ros (删除 'e')示例 2：
输入：word1 = "intention", word2 = "execution"
输出：5
解释：
intention -> inention (删除 't')
inention -> enention (将 'i' 替换为 'e')
enention -> exention (将 'n' 替换为 'x')
exention -> exection (将 'n' 替换为 'c')
exection -> execution (插入 'u')提示：
0 <= word1.length, word2.length <= 500word1和word2由小写英文字母组成
思路和解题方法
具体来说，对于给定的两个字符串
word1和word2，首先创建一个二维数组dp来保存它们之间的编辑距离。然后，分别初始化数组的第一行和第一列，使得dp[i][0] = i和dp[0][j] = j，其中i和j分别表示字符串word1和word2的长度。这样初始化是为了表示将word1和空串（或者将word2和空串）进行匹配时的编辑距离。接下来，从第二行和第二列开始，对于每个位置
(i,j)，先判断word1和word2在当前位置上的字符是否相同。如果相同，则说明不需要进行任何编辑操作，因此dp[i][j]可以直接继承上一个位置的编辑距离，即dp[i-1][j-1]。否则，需要在上一个位置的编辑距离的基础上增加一些编辑操作，例如插入、删除或替换字符等。这时，可以考虑三种情况，并选择其中编辑距离最小的一种：
在
word1的第i个位置插入一个字符，使得word1和word2的前j个字符相同，此时编辑距离为dp[i][j-1] + 1。在
word1的第i个位置删除一个字符，使得word1的前i-1个字符和word2的前j个字符相同，此时编辑距离为dp[i-1][j] + 1。在
word1的第i个位置替换一个字符，使得word1和word2的前i个字符和j个字符分别相同，此时编辑距离为dp[i-1][j-1] + 1。因此，对于每个位置
(i,j)，可以使用如下递推公式来计算最小的编辑距离：
cppif (word1[i-1] == word2[j-1]) dp[i][j] = dp[i-1][j-1]; else dp[i][j] = min({dp[i-1][j-1], dp[i-1][j], dp[i][j-1]}) + 1;其中，
min({dp[i-1][j-1], dp[i-1][j], dp[i][j-1]})表示选取上述三种编辑操作中编辑距离最小的一种，加上一次操作所需的编辑距离1，即可得到当前位置(i,j)的最小编辑距离。最后，返回
dp[w1][w2]，即两个字符串的完全匹配所需的最小编辑距离。
复杂度
时间复杂度:
O(n*n)
时间复杂度为 O(n*n)，其中 n 为两个字符串的长度之和。这是因为算法使用了一个二维数组存储子问题的解，需要计算该数组中所有 n*n 个位置的值。
空间复杂度
O(n*n)
空间复杂度也为 O(n*n)，因为需要使用一个二维数组来存储所有子问题的解。
如果想要将空间复杂度优化到 O(n) 级别，则可以使用滚动数组的技巧，只保留当前行和上一行的值即可，但会使得代码实现稍微有些复杂。
c++ 代码
cpp
class Solution {
public:
int minDistance(string word1, string word2) {
int w1 = word1.size(), w2 = word2.size();
// 定义一个二维动态数组 dp，其中 dp[i][j] 表示将 word1 的前 i 个字符转换为 word2 的前 j 个字符所需要的最少操作次数。
vector<vector<int>> dp(w1+1, vector<int>(w2+1, 0));
// 初始化第一行和第一列，即将一个空字符串转换成另一个字符串所需的最少操作次数。
for(int i = 0; i <= w1; i++) dp[i][0] = i;
for(int j = 0; j <= w2; j++) dp[0][j] = j;
// 从第二行和第二列开始，按照状态转移方程进行计算。
for(int i = 1; i <= w1; i++) {
for(int j = 1; j <= w2; j++) {
// 如果 word1 的第 i 个字符与 word2 的第 j 个字符相等，则不需要进行任何操作。
if(word1[i-1] == word2[j-1])
dp[i][j] = dp[i-1][j-1];
// 如果 word1 的第 i 个字符与 word2 的第 j 个字符不相等，则需要进行以下三种操作中的一种来进行转换操作：
// 1. 在 word1 中插入一个字符；
// 2. 在 word2 中插入一个字符；
// 3. 替换 word1 中的第 i 个字符或者 word2 中的第 j 个字符。
else
dp[i][j] = min({dp[i-1][j-1], dp[i-1][j], dp[i][j-1]}) + 1;
}
}
// 返回将 word1 转换成 word2 的最少操作次数。
return dp[w1][w2];
}
};Java代码
- 首先获取两个字符串的长度，即
word1.length()和word2.length()，分别赋值给变量m和n。- 接下来，创建一个二维数组
dp，大小为(m + 1) × (n + 1)，用于保存计算过程中的编辑距离。这里多加了一行和一列是为了存储空串与word1或word2的匹配情况。- 然后，通过两个嵌套的循环遍历数组
dp中的每个位置(i, j)，其中i表示word1的前i个字符，j表示word2的前j个字符。- 对于每个位置
(i, j)，首先判断word1和word2在当前位置上的字符是否相同，即word1.charAt(i - 1) == word2.charAt(j - 1)。如果相同，则说明不需要进行任何编辑操作，所以将dp[i][j]的值设置为dp[i - 1][j - 1]，即继承上一个位置的编辑距离。- 如果不相同，则需要考虑插入、删除和替换字符三种编辑操作中的最小编辑距离。这里使用
Math.min方法来取得三者中的最小值，并加上一次操作所需的编辑距离1，即Math.min(Math.min(dp[i - 1][j - 1], dp[i][j - 1]), dp[i - 1][j]) + 1，然后将结果赋值给dp[i][j]。- 最后，返回
dp[m][n]，即两个字符串的完全匹配所需的最小编辑距离。
java
class Solution {
public int minDistance(String word1, String word2) {
// 获取两个字符串的长度
int m = word1.length();
int n = word2.length();
// 创建一个二维数组来保存编辑距离
int[][] dp = new int[m + 1][n + 1];
// 初始化dp数组的第一行和第一列
for (int i = 1; i <= m; i++) {
dp[i][0] = i;
}
for (int j = 1; j <= n; j++) {
dp[0][j] = j;
}
// 逐行逐列计算编辑距离
for (int i = 1; i <= m; i++) {
for (int j = 1; j <= n; j++) {
// 判断当前字符是否相同
if (word1.charAt(i - 1) == word2.charAt(j - 1)) {
// 如果相同，则不需要进行任何编辑操作
dp[i][j] = dp[i - 1][j - 1];
} else {
// 如果不同，则需要进行插入、删除或替换等操作，选取其中编辑距离最小的一种
dp[i][j] = Math.min(Math.min(dp[i - 1][j - 1], dp[i][j - 1]), dp[i - 1][j]) + 1;
}
}
}
// 返回编辑距离数组的最后一个元素，即两个字符串的完全匹配所需的最小编辑距离
return dp[m][n];
}
}觉得有用的话可以点点赞，支持一下。
如果愿意的话关注一下。会对你有更多的帮助。
每天都会不定时更新哦 >人< 。