[2]LeetCode 392. 判断子序列

方法一: 直接判断

复杂度 O(n)

        int slen = s.size();
        int tlen = t.size();

        if(slen > tlen) {
            return false;
        }

        int i = 0, j = 0;
        while(i < tlen) {
            if(t[i] == s[j]) i++, j++;
            else i++;
        }

        if(j >= slen) return true;
        else return false;

方法二: 动态规划

复杂度 O(nm)

动态规划思想

将待解决问题分成若干个子问题, 先解决子问题, 然后再从子问题得到原问题;这个时候容易想到分治法, 但是与分治法不同的是, 动态规划分解的子问题往往是有联系的.
动态规划: 保存已解决的子问题的答案, 不管该子问题以后是否被用到, 只要它被计算过, 就将其填入表中, 这就是动态规划的基本思路.

构建表

这道题怎样去构建表呢?
我们构建一个二维布尔表 dp[len(s)][len(t)]

dp[i][j] = true 代表: s字符串前i个字符是t字符串前j个字符的子串
我们这道题的答案是什么呢? dp[len(s)][len(t)] 为true代表s是t的子串,为false,代表s不是t的字串

初始化表dp[i][j]
用题目中的例子 s = "abc" , t = "ahbgdc"

空字符串是任何字符串的子串
dp[0][0]代表: "" 是否是 "" 的子串呢? true
dp[0][1]代表: "" 是否是 "a" 的子串呢? true
dp[0][2]代表: "" 是否是 "ah" 的字串呢? ture
...
dp[0][len(t)] 代表: 空s 是否是 t("ahbgdc") 的子串呢? true

除了空字符串, 任何字符串都不会是空字符串的子串
dp[1][0] "a" 是 "" 的子串吗? false
dp[2][0] "ab" 是 "" 的子串吗? false
dp[3][0] "abc" 是 "" 的子串吗? false

dp表的初始化为如下:

扫描二维码关注公众号，回复： 7877034 查看本文章

true	true	true	true	true	true	true
false
false
false

更新表
s = "abc" , t = "ahbgdc"

通过判断 s[i] == t[j] 更新 dp[i][j]
dp[1][1]代表: s[1] = 'a', t[1] = 'a', s[1] == t[1] dp[1][1] = true (代表"a" 是 "a" 的子串)
dp[1][2]代表: s[1] = 'a', t[2] = 'h', s[1] != t[2] dp[1][2] = ?
等于false? "a" 是 "ah" 的子串
等于ture? "a" != "h" 怎样得 true 呢?

此时需要状态转移方程式 , 根据dp[i][j] 前面的去更新dp[i][j]
s[i] = t[j] dp[i][j] = dp[i-1][j-1];
("bc" 与 "ac") "b"不是"a"的子串, 那么 "bc"一定也不是"ac"的子串

s[i] != t[j] dp[i][j] = dp[i][j-1]; (
"a" 与 "ah") "a"是"a"的子串 , 那么 "a" 一定是"ah"的子串

建议将表格填一遍:
更新一行

true	true	true	true	true	true	true
false	true	true	true	true	true	true
false
false

第二行 dp[1][1~6] 均为true 代表 "a" 是 "a"; "ah", "ahb", "ahbg", "ahbgd", "ahbgdc" 的子串

再更新一行

true	true	true	true	true	true	true
false	true	true	true	true	true	true
false	false	false	true	true	true	true
false

第三行
s = "abc" , t = "ahbgdc"
s[2] != t[1] "ab" 是 "a" 的子串? false
s[2] != t[2] "ab" 是 "ah"的子串? false
s[2] == t[3] && dp[1][2] "a"是"ah"的子串, 所以 "ab" 是 "ahb" 的子串? true
.....

        int sLen = s.length(), tLen = t.length();
        if (sLen > tLen) return false;
        if (sLen == 0) return true;
        boolean[][] dp = new boolean[sLen + 1][tLen + 1];
  
        for (int j = 0; j < tLen; j++) {
            dp[0][j] = true;
        }
    
        for (int i = 1; i <= sLen; i++) {
            for (int j = 1; j <= tLen; j++) {
                if (s.charAt(i - 1) == t.charAt(j - 1)) {
                    dp[i][j] = dp[i - 1][j - 1];
                } else {
                    dp[i][j] = dp[i][j - 1];
                }
            }
        }
        return dp[sLen][tLen];

总结:

dp[i][j] : 代表 s的前i个字符是否是 t前j个字符的子串
在判断dp[i][j] 的时候, dp[0~i-1][0~j-1]的结果我们已经知道
所以这道题就是我们知道三个条件
1. dp[lens-1][lent-1] = true "ab"是"ahbgd"的子串
2. dp[lens-1][lent] = false "ab"不是"ahbgdc"的子串
3. dp[lens][lent-1] = false "abc"不是"ahbgd"的子串
  根据这三个条件去判断dp[lens][lent] , 这也就是转移方程

扩展: 最长公共子序列

给两个字符串s, t, 求出这两个字符串最长的公共子序列的长度
例如: s = "abcd", t = "becd"
输出: 3("bcd")

这个例子初始化表格
avatar

完整表格
avatar

转移方程式为
s[i] = t[j] max(dp[i-1][j], dp[i][j-1], dp[i-1][j-1]+ 1)
s[i] != t[j] max(dp[i-1][j], dp[i][j+1])