标签：index 数字 递增 numbers 序列 最长 dp
最长递增子序列（Longest Increasing Subsequence）是指在给定的一组数字中，按照从左向右顺序，由递增的数字组成的子序列（中间可以有间隔）中，取长度最大的子序列即为最长递增子序列。
如给定“1 2 4 3”，则递增的子序列有“1 2”、“1 4”、“1 3”、“2 4”、“2 3”、“1 2 4”、“1 2 3”，则最长的为“1 2 4”和“1 2 3”，长度为3。
如何求这个最长递增子序列呢？
由于是递增序列，数字往右是不断变大的，左侧的数必然小于右侧数，即最右侧的数字是最大的。
我们先分析个简单的例子“1 2 4”：
4左侧为“1 2”，都小于4，如果不考虑1 2之间的大小关系（即无论组合是1 4、2 4还是1 2 4），则4左侧至少有一个数字可以组成递增子序列，最长递增子序列至少为2（加上4自身长度1）。即只要左侧存在小于4的数字，就会导致递增子序列的长度增加。
我们再往回看数字2，位于整个序列的第二位，因此它只需要对比一次，2大于1，所以截止到“2”这个数字，最长递增子序列长度为2，且这个长度是固定的，即后续数字无论如何组合，也不会影响2和之前数字1构成的最长递增子序列（子问题的最优解）。
也就说明后续如果有数字大于2，可以参考这个最长递增子序列。
这时我们再返回到4，4大于2，因此可以直接取左侧小于4的数字对应的最长递增子序列，再加1后就是当前的最长递增子序列，如图-1，顶部的红色数字表示对应序列中数字的最长递增子序列的长度。
图-1
但还有可能是，左侧数字小于4的可能有多个，距离4最近的不一定就是最长的，因此需要挨个对比这些数字的最大递增子序列，取一个最大值。如图-2中的演示数据，这里显然要取4左侧的“3”对应的最长子序列长度，而不是“1”的对应值。
图-2
因此我们总结出如下步骤：
1 从左侧开始处理数字，且每个数字对应的默认最长子序列都是1。
2 从第二个数字a开始，在左侧所有小于a的数字的最长子序列长度中，取最大的长度+1，即为当前最长递增子序列的长度。
3 后续数字参考步骤2依次处理。
我们先用递归的方式来实现，代码如下。对应演示数据为“5, 2, 8, 6, 3, 6, 9, 5”
1 import java.util.Arrays;
2
3 public class LongestIncreasingSubsequence {
4 public static void main(String[] args) {
5 int[] numbers = {5, 2, 8, 6, 3, 6, 9, 5};
6 System.out.println(Arrays.toString(numbers));
7 recursive(numbers);
8 }
9
10 public static void recursive(int[] numbers) {
11 //从左到右依次计算截止到每个数字的最长递增子序列的长度
12 for (int i = 0; i < numbers.length; i++) {
13 System.out.printf("index=%d num=%d max=%d\n", i, numbers[i], cmp(numbers, i));
14 }
15 }
16
17 private static int cmp(int[] numbers, int k) {
18 //数据中第一个位置的最长子序列是1
19 if (k == 0) {
20 return 1;
21 }
22 //小于当前数字（基准数字）的列表中最大的子序列长度，默认长度为1
23 int max = 1;
24 //从左侧第一个位置开始依次和基准数字对比
25 for (int i = 0; i < k; i++) {
26 //小于基准数字，说明可以组成递增子序列
27 if (numbers[i] < numbers[k]) {
28 //取截至到k对应数字的最大子序列长度。反应到当前基准数字的列长度需要返回结果+1
29 int length = cmp(numbers, i) + 1;
30 //取所有小于基准数字中最大的那一个数
31 if (length > max) {
32 max = length;
33 }
34 }
35 }
36 return max;
37 }
38 }
输出
[5, 2, 8, 6, 3, 6, 9, 5] index=0 num=5 max=1 index=1 num=2 max=1 index=2 num=8 max=2 index=3 num=6 max=2 index=4 num=3 max=2 index=5 num=6 max=3 index=6 num=9 max=4 index=7 num=5 max=3
可以看到第29行的 cmp(numbers, i) + 1，是通过递归获取依赖的最长递增子序列。而由于外层循环变量 i 每次都从0开始，就可能存在重复调用。因此我们可以参考动态规划方法做一些优化，代码如下。
1 public static void dp(int[] numbers) {
2 //保存每个数字的下标对应的最长递增子序列长度值
3 int[] dp = new int[numbers.length];
4 //数据初始化：每个数字对应的默认序列长度都是1
5 for (int i = 0; i < dp.length; i++) {
6 dp[i] = 1;
7 }
8 System.out.println(Arrays.toString(dp));
9
10 //由于第一个位置（index=0）不存在前驱数字，也就无需比较，直接从index=1开始即可。
11 for (int i = 1; i < numbers.length; i++) {
12 System.out.printf("index=%d num=%d\n", i, numbers[i]);
13 //当前数字和之前的依次比较
14 for (int j = 0; j < i; j++) {
15 //小于当前数字说明是一个递增序列，序列长度可以加1
16 if (numbers[i] > numbers[j]) {
17 System.out.printf("\t%d>%d dp[%d]=%d dp[%d]=%d\n", numbers[i], numbers[j], i, dp[i], j, dp[j]);
18 //但需要取最大的
19 if (dp[j] + 1 > dp[i]) {
20 dp[i] = dp[j] + 1;
21 }
22 } else {
23 System.out.printf("\t%d<=%d skip\n", numbers[i], numbers[j]);
24 }
25 }
26 System.out.printf("\tdp[%d]=%d %s\n", i, dp[i], Arrays.toString(dp));
27 }
28 }
增加对应调用dp(numbers)，输出如下
[dp] [1, 1, 1, 1, 1, 1, 1, 1] index=1 num=2 2<=5 skip dp[1]=1 [1, 1, 1, 1, 1, 1, 1, 1] index=2 num=8 8>5 dp[2]=1 dp[0]=1 8>2 dp[2]=2 dp[1]=1 dp[2]=2 [1, 1, 2, 1, 1, 1, 1, 1] index=3 num=6 6>5 dp[3]=1 dp[0]=1 6>2 dp[3]=2 dp[1]=1 6<=8 skip dp[3]=2 [1, 1, 2, 2, 1, 1, 1, 1] index=4 num=3 3<=5 skip 3>2 dp[4]=1 dp[1]=1 3<=8 skip 3<=6 skip dp[4]=2 [1, 1, 2, 2, 2, 1, 1, 1] index=5 num=6 6>5 dp[5]=1 dp[0]=1 6>2 dp[5]=2 dp[1]=1 6<=8 skip 6<=6 skip 6>3 dp[5]=2 dp[4]=2 dp[5]=3 [1, 1, 2, 2, 2, 3, 1, 1] index=6 num=9 9>5 dp[6]=1 dp[0]=1 9>2 dp[6]=2 dp[1]=1 9>8 dp[6]=2 dp[2]=2 9>6 dp[6]=3 dp[3]=2 9>3 dp[6]=3 dp[4]=2 9>6 dp[6]=3 dp[5]=3 dp[6]=4 [1, 1, 2, 2, 2, 3, 4, 1] index=7 num=5 5<=5 skip 5>2 dp[7]=1 dp[1]=1 5<=8 skip 5<=6 skip 5>3 dp[7]=2 dp[4]=2 5<=6 skip 5<=9 skip dp[7]=3 [1, 1, 2, 2, 2, 3, 4, 3]
最终各数字的依赖关系如图-3：
图-3
从图-3中可以看到，这些数字可以理解为数据结构“图”中的“顶点”，对应为一张有向无环图，每个顶点的前驱顶点都是固定的（由序列本身的顺序来决定），依赖关系由它前驱顶点（小于顶点值的数）决定。
参考资料
Longest increasing subsequence
标签：index,数字,递增,numbers,序列,最长,dp 来源： https://www.cnblogs.com/binary220615/p/16642165.html
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。