我正在练习算法,我的任务之一是针对给定的0 <n <= 10 ^ 6个数字,计算所有最长的递增子序列的数量。解决方案O(n ^ 2)不是一个选择。
我已经实现了查找LIS及其长度的方法(LIS Algorithm),但是该算法将数字切换到了可能的最低值。因此,不可能确定具有前一个数字(较大的数字)的子序列是否能够达到最长的长度,否则,我猜我只能算出那些开关。
有什么想法可以得到关于O(nlogn)的信息吗?我知道应该使用动态编程来解决。
我实现了一个解决方案,并且效果很好,但是它需要两个嵌套循环(在1..n中的i)x(在1..i-1中的j)。
所以我认为是O(n ^ 2),但是它太慢了。
我什至尝试将这些数字从数组移到二叉树(因为在每次i迭代中,我寻找的都是所有较小的数字,然后是number [i] -通过元素i-1..1),但是它甚至更慢。
测试示例:
1 3 2 2 4
result: 3 (1,3,4 | 1,2,4 | 1,2,4)
3 2 1
result: 3 (1 | 2 | 3)
16 5 8 6 1 10 5 2 15 3 2 4 1
result: 3 (5,8,10,15 | 5,6,10,15 | 1,2,3,4)
下面是改进的LIS算法的完整Java代码,该代码不仅发现最长的递增子序列的长度,而且发现这种长度的子序列的数量。我更喜欢使用泛型,不仅允许整数,而且允许任何可比较的类型。
@Test
public void testLisNumberAndLength() {
List<Integer> input = Arrays.asList(16, 5, 8, 6, 1, 10, 5, 2, 15, 3, 2, 4, 1);
int[] result = lisNumberAndlength(input);
System.out.println(String.format(
"This sequence has %s longest increasing subsequenses of length %s",
result[0], result[1]
));
}
/**
* Body of improved LIS algorithm
*/
public <T extends Comparable<T>> int[] lisNumberAndLength(List<T> input) {
if (input.size() == 0)
return new int[] {0, 0};
List<List<Sub<T>>> subs = new ArrayList<>();
List<Sub<T>> tails = new ArrayList<>();
for (T e : input) {
int pos = search(tails, new Sub<>(e, 0), false); // row for a new sub to be placed
int sum = 1;
if (pos > 0) {
List<Sub<T>> pRow = subs.get(pos - 1); // previous row
int index = search(pRow, new Sub<T>(e, 0), true); // index of most left element that <= e
if (pRow.get(index).value.compareTo(e) < 0) {
index--;
}
sum = pRow.get(pRow.size() - 1).sum; // sum of tail element in previous row
if (index >= 0) {
sum -= pRow.get(index).sum;
}
}
if (pos >= subs.size()) { // add a new row
List<Sub<T>> row = new ArrayList<>();
row.add(new Sub<>(e, sum));
subs.add(row);
tails.add(new Sub<>(e, 0));
} else { // add sub to existing row
List<Sub<T>> row = subs.get(pos);
Sub<T> tail = row.get(row.size() - 1);
if (tail.value.equals(e)) {
tail.sum += sum;
} else {
row.add(new Sub<>(e, tail.sum + sum));
tails.set(pos, new Sub<>(e, 0));
}
}
}
List<Sub<T>> lastRow = subs.get(subs.size() - 1);
Sub<T> last = lastRow.get(lastRow.size() - 1);
return new int[]{last.sum, subs.size()};
}
/**
* Implementation of binary search in a sorted list
*/
public <T> int search(List<? extends Comparable<T>> a, T v, boolean reversed) {
if (a.size() == 0)
return 0;
int sign = reversed ? -1 : 1;
int right = a.size() - 1;
Comparable<T> vRight = a.get(right);
if (vRight.compareTo(v) * sign < 0)
return right + 1;
int left = 0;
int pos = 0;
Comparable<T> vPos;
Comparable<T> vLeft = a.get(left);
for(;;) {
if (right - left <= 1) {
if (vRight.compareTo(v) * sign >= 0 && vLeft.compareTo(v) * sign < 0)
return right;
else
return left;
}
pos = (left + right) >>> 1;
vPos = a.get(pos);
if (vPos.equals(v)) {
return pos;
} else if (vPos.compareTo(v) * sign > 0) {
right = pos;
vRight = vPos;
} else {
left = pos;
vLeft = vPos;
}
}
}
/**
* Class for 'sub' pairs
*/
public static class Sub<T extends Comparable<T>> implements Comparable<Sub<T>> {
T value;
int sum;
public Sub(T value, int sum) {
this.value = value;
this.sum = sum;
}
@Override public String toString() {
return String.format("(%s, %s)", value, sum);
}
@Override public int compareTo(Sub<T> another) {
return this.value.compareTo(another.value);
}
}
由于我的解释似乎很长,我将初始序列称为“ seq”,并将其任何子序列称为“ sub”。因此,任务是计算可以从序列中获得的最长递增子的计数。
正如我之前提到的,想法是保持对在先前步骤中获得的所有可能的最长子计数。因此,让我们创建一个行编号列表,其中每行的数量等于存储在该行中的子程序的长度。然后将潜艇存储为数字对(v,c),其中“ v”是结束元素的“值”,“ c”是给定长度的潜艇的“计数”,这些潜艇以“ v”结尾。例如:
1: (16, 1) // that means that so far we have 1 sub of length 1 which ends by 16.
我们将逐步构建这样的列表,并按顺序从初始序列中选取元素。在每一步中,我们将尝试将此元素添加到可以添加的最长子元素中,并记录更改。
让我们使用示例中的序列来构建列表,因为它具有所有可能的选项:
16 5 8 6 1 10 5 2 15 3 2 4 1
首先,取元素16。到目前为止,我们的清单是空的,因此我们只放入一对:
1: (16, 1) <= one sub that ends by 16
接下来是5。不能将它添加到以16结尾的子图中,因此它将创建长度为1的新子。我们创建一个对(5,1)并将其放入第1行:
1: (16, 1)(5, 1)
元素8下一个。它不能创建长度为2的子[16,8],但可以创建子[5,8]。因此,这就是算法的来临。首先,我们上下翻转列表行,查看最后一对的“值”。如果我们的元素大于所有行中所有最后一个元素的值,则可以将其添加到现有子元素中,并将其长度增加一。因此值8将创建列表的新行,因为它大于到目前为止列表中所有现有元素的值(即> 5):
1: (16, 1)(5, 1)
2: (8, ?) <=== need to resolve how many longest subs ending by 8 can be obtained
元素8可以继续5,但不能继续16。因此,我们需要从上一行开始搜索前一行,计算成对的“计数”之和,其“值”小于8:
(16, 1)(5, 1)^ // sum = 0
(16, 1)^(5, 1) // sum = 1
^(16, 1)(5, 1) // value 16 >= 8: stop. count = sum = 1, so write 1 in pair next to 8
1: (16, 1)(5, 1)
2: (8, 1) <=== so far we have 1 sub of length 2 which ends by 8.
为什么不将值8存储到长度为1的子行中(第一行)?因为我们需要最大可能长度的潜艇,所以8可以继续一些先前的潜艇。因此,每个下一个大于8的数字也将继续这种子运算,因此不必将8作为长度小于其长度的子运算子。
下一个。6。按行中最后的“值”上下搜索:
1: (16, 1)(5, 1) <=== 5 < 6, go next
2: (8, 1)
1: (16, 1)(5, 1)
2: (8, 1 ) <=== 8 >= 6, so 6 should be put here
找到6个房间,需要计算一下:
take previous line
(16, 1)(5, 1)^ // sum = 0
(16, 1)^(5, 1) // 5 < 6: sum = 1
^(16, 1)(5, 1) // 16 >= 6: stop, write count = sum = 1
1: (16, 1)(5, 1)
2: (8, 1)(6, 1)
处理后1:
1: (16, 1)(5, 1)(1, 1) <===
2: (8, 1)(6, 1)
经过处理10:
1: (16, 1)(5, 1)(1, 1)
2: (8, 1)(6, 1)
3: (10, 2) <=== count is 2 because both "values" 8 and 6 from previous row are less than 10, so we summarized their "counts": 1 + 1
经过处理5:
1: (16, 1)(5, 1)(1, 1)
2: (8, 1)(6, 1)(5, 1) <===
3: (10, 2)
经过处理2:
1: (16, 1)(5, 1)(1, 1)
2: (8, 1)(6, 1)(5, 1)(2, 1) <===
3: (10, 2)
处理后15:
1: (16, 1)(5, 1)(1, 1)
2: (8, 1)(6, 1)(5, 1)(2, 1)
3: (10, 2)
4: (15, 2) <===
经过处理3:
1: (16, 1)(5, 1)(1, 1)
2: (8, 1)(6, 1)(5, 1)(2, 1)
3: (10, 2)(3, 1) <===
4: (15, 2)
经过处理2:
1: (16, 1)(5, 1)(1, 1)
2: (8, 1)(6, 1)(5, 1)(2, 2) <===
3: (10, 2)(3, 1)
4: (15, 2)
如果在按最后一个元素搜索行时发现相等的元素,那么我们将根据前一行再次计算其“计数”,然后添加到现有的“计数”中。
经过处理4:
1: (16, 1)(5, 1)(1, 1)
2: (8, 1)(6, 1)(5, 1)(2, 2)
3: (10, 2)(3, 1)
4: (15, 2)(4, 1) <===
处理后1:
1: (16, 1)(5, 1)(1, 2) <===
2: (8, 1)(6, 1)(5, 1)(2, 2)
3: (10, 2)(3, 1)
4: (15, 2)(4, 1)
那么,在处理完所有初始序列后我们将拥有什么?查看最后一行,我们看到我们有3个最长的子,每个子都包含4个元素:2个以15结尾的端点和1个以4结尾的端点。
在每次迭代中,当从初始序列中获取下一个元素时,我们将进行2个循环:第一个循环迭代行以查找下一个元素的空间,第二个循环汇总前一行的计数。因此,对于每个元素,我们最多进行n次迭代(最坏的情况:如果初始seq由升序组成的元素组成,则将获得n行的列表,每行中有1对;如果seq按降序排序,则将获得具有n个元素的1行的列表)。顺便说一下,O(n 2)复杂度不是我们想要的。
首先,显而易见的是,在每个中间状态下,行都按其最后一个“值”的升序进行排序。因此,可以执行二进制搜索而不是粗循环,其复杂度为O(log n)。
其次,我们不需要每次都通过遍历行元素来总结子的“计数”。当将新的配对添加到行中时,我们可以对它们进行汇总,例如:
1: (16, 1)(5, 2) <=== instead of 1, put 1 + "count" of previous element in the row
因此,第二个数字将不会显示可以在给定值的结尾获得的最长子的计数,而是所有以该对中大于或等于“值”的任何元素结尾的所有最长子的总计数。
因此,“计数”将被“和”代替。而不是迭代上一行中的元素,我们只执行二进制搜索(这是可能的,因为任何一行中的对始终按其“值”排序),并将新对的“ sum”作为上一行中最后一个元素的“ sum”从元素左侧到上一行中找到的位置减去“ sum”再加上当前行中上一个元素的“ sum”。
所以在处理4时:
1: (16, 1)(5, 2)(1, 3)
2: (8, 1)(6, 2)(5, 3)(2, 5)
3: (10, 2)(3, 3)
4: (15, 2) <=== room for (4, ?)
search in row 3 by "values" < 4:
3: (10, 2)^(3, 3)
4将与(3-2 + 2)配对:(上一行的最后一对的“和”)-(左对到上一行找到的位置的对的“和”)+(当前对上的一对的“和”行):
4: (15, 2)(4, 3)
在这种情况下,所有最长子的最终计数是列表最后一行的最后一对的“和”,即3,而不是3 + 2。
因此,对行搜索和求和搜索都执行二进制搜索,我们将获得O(n * log n)复杂度。
内存消耗情况如何,在处理完所有数组后,我们将获得最多n对,因此在动态数组的情况下,内存消耗为O(n)。此外,当使用动态数组或集合时,需要一些额外的时间来分配它们和调整它们的大小,但是大多数操作是在O(1)时间内完成的,因为我们在处理过程中不进行任何排序和重新排列。因此,复杂度估计似乎是最终的。
本文收集自互联网,转载请注明来源。
如有侵权,请联系[email protected] 删除。
我来说两句