LeetCode-72. Edit Distance(编辑距离问题)(三个依赖的滚动优化)
- 记忆化
- 二维dp
- 一维dpO(M)
- 一维dpO(min(N,M))
- 加强问题(ic,dc,rc)
题目链接
记忆化
使用递归的解法:
从两个字符串的最后的位置开始考虑:
- 如果最后两个字符(i,j)相等,最后两个字符就不要配对,所以等于minDistance(s1[0..i-1],s2[0…j-1]);
- 如果最后两个字符不相等: 说明要编辑,具体可以分为三种情况:
1). 如果 s1[i-1]和s2[j]可以配对,那我就删除s1[i]即可(删除);
2). 如果 s1[i]和s2[j-1]可以配对,那我就在s1的后面加上s2[j]即可(插入);
3). 如果 s1[i-1]和s2[j-1]可以配对,那我就把s1[i]修改成s2[j]即可;
然后就是使用一个map记录递归中已经求解的子问题。
public int[][] map;
public int minDistance(String word1, String word2) {
char[] s1 = word1.toCharArray();
char[] s2 = word2.toCharArray();
map = new int[s1.length][s2.length];
for(int[] item:map) Arrays.fill(item,-1);//首先都填充一个不可能达到的值
return process(s1,s2,s1.length-1,s2.length-1);
}
public int process(char[] s1,char[] s2,int i,int j){
if(j == -1) return i + 1; //将s1编辑成空串 注意下标是 i但是有i+1个
if(i == -1)return j + 1; //将s2编辑成空串
if(map[i][j] != -1)return map[i][j];
if(s1[i] == s2[j]){
map[i][j] = process(s1,s2,i-1,j-1);
}else {
map[i][j] = 1 + min(process(s1,s2,i-1,j), // delete i
process(s1,s2,i,j-1), // add i+1 index
process(s1,s2,i-1,j-1)); // replace i
}
return map[i][j];
}
public int min(int a,int b,int c){
return Math.min(Math.min(a,b),c);
}
二维dp
二维dp就是使用一个二维数组从左到右,从上倒下来递归出最后的答案,注意几点:
- dp数组的大小 dp[chs1.length + 1] [chs2.length + 1],因为一开始是空串” “,所以要多开一个;
- 一开始初始化第一行和第一列,第一行表示的是chs1为”“,变成chs2要添加chs2长度的次数。第一列表示的是要删除的。
public int minDistance(String word1, String word2) {
int[][] dp = new int[word1.length() + 1][word2.length() + 1]; //注意要 + 1因为一开始是空串
for(int i = 0; i < word1.length() + 1; i++) dp[i][0] = i;
for(int j = 0; j < word2.length() + 1; j++) dp[0][j] = j;
char c1,c2;
for(int i = 1; i < word1.length() + 1; i++){
for(int j = 1; j < word2.length() + 1; j++){
c1 = word1.charAt(i-1); c2 = word2.charAt(j-1);
dp[i][j] = c1 == c2 ? dp[i-1][j-1] : min(dp[i-1][j],dp[i][j-1],dp[i-1][j-1]) + 1;
}
}
return dp[word1.length()][word2.length()];
}
public int min(int a,int b,int c){
return Math.min(Math.min(a,b),c);
}
一维dpO(M)
这个题目的滚动优化和之前的动态规划有一点点不同,不同的地方在于:
- 一个普通位置依赖的位置有三个地方,而如果只使用一个数组的话,左上角的位置的在更新的时候产生了变动;
解决的办法是使用两个变量temp和pre保存,在更新之前,使用temp保存dp[j],然后dp[j]要被更新,然后将dp[j]赋值给pre,下次递推的时候,左上角的值就是pre;
public int minDistance(String word1, String word2) {
char[] chs1 = word1.toCharArray();
char[] chs2 = word2.toCharArray();
int[] dp = new int[word2.length() + 1]; //注意要 + 1因为一开始是空串
for(int j = 0; j < word2.length() + 1; j++)dp[j] = j;
char c1,c2;
int temp,pre;
for(int i = 1; i < word1.length() + 1; i++){
pre = dp[0]; //上一排的
dp[0] = i; //这一排新dp[0]
for(int j = 1; j < word2.length() + 1; j++){
c1 = word1.charAt(i-1); c2 = word2.charAt(j-1); //注意下标对应的关系
temp = dp[j]; // 先要保存,因为等下就更新了
dp[j] = c1 == c2 ? pre : min(dp[j],dp[j-1],pre) + 1;
pre = temp; //记得先保存一下左上角的 pre的值(在二维的dp中就是dp[i-1][j-1])
}
}
return dp[word2.length()];
}
public int min(int a,int b,int c){
return Math.min(Math.min(a,b),c);
}
一维dpO(min(N,M))
这个就是上面的一点改进,选取行和列中最小的作为dp数组的大小。
public int minDistance(String word1, String word2) {
char[] chs1 = word1.toCharArray();
char[] chs2 = word2.toCharArray();
char[] more = chs1.length >= chs2.length ? chs1 : chs2;
char[] less = chs1.length < chs2.length ? chs1 : chs2;
int[] dp = new int[less.length + 1] ;
for(int j = 0; j < less.length + 1; j++)dp[j] = j;
int temp,pre;
for(int i = 1; i < more.length + 1; i++){
pre = dp[0];
dp[0] = i;
for(int j = 1; j < less.length + 1; j++){
temp = dp[j];
dp[j] = more[i-1] == less[j-1] ? pre : min(dp[j],dp[j-1],pre) + 1;
pre = temp;
}
}
return dp[less.length];
}
public int min(int a,int b,int c){
return Math.min(Math.min(a,b),c);
}
加强问题(ic,dc,rc)
这个问题是上面问题的加强版,不同的地方在于这里三个编辑的代价不同,所以我们要更加的清楚是哪个编辑的更新:
也就是说:
- dp[i-1][j]代表的是删除了 chs1[i-1],然后配对chs1[i-2]和chs2[j-1], 所以加上dc(删除chs1[i-1]的);
- dp[i][j-1]代表的是配对chs1[i-1]和chs2[j-2],所以我们在chs1后面添加一个来和chs2[j-1]字符配对,所以加上ic;
/**
* 给定的 ic, dc ,rc 分别代表的是 插入,删除 取代的代价
* 普通二维dp
*/
public int minDistance(String word1, String word2,int ic,int dc,int rc) {
char[] chs1 = word1.toCharArray();
char[] chs2 = word2.toCharArray();
int[][] dp = new int[chs1.length + 1][chs2.length + 1];
for(int i = 0; i < chs1.length + 1; i++)dp[i][0] = i * dc; //chs1是 , chs2是"" ->要删除
for(int j = 0; j < chs2.length + 1; j++)dp[0][j] = j * ic; //chs1 是"" 转换成chs2 -> 要添加
for(int i = 1; i < chs1.length + 1; i++){
for(int j = 1; j < chs2.length + 1; j++){
dp[i][j] = chs1[i-1] == chs2[j-1] ? dp[i-1][j-1]
: min(dp[i][j-1] + ic,dp[i-1][j] + dc,dp[i-1][j-1] + rc); //dp[i-1][j]代表的是删除了 chs1[i-1] 所以加上dc
}
}
return dp[chs1.length][chs2.length];
}
public int min(int a,int b,int c){
return Math.min(Math.min(a,b),c);
}
空间优化:
这里要注意如果chs1作为更短的话,要进行字符串的调换。
//空间 O(min(N,M))
public int minDistance6(String word1, String word2,int ic,int dc,int rc) {
char[] chs1 = word1.toCharArray();
char[] chs2 = word2.toCharArray();
char[] more = chs1.length >= chs2.length ? chs1 : chs2;
char[] less = chs1.length < chs2.length ? chs1 : chs2;
int temp,pre;
if(chs1 == less) { //把chs1作为了列对应的字符串 就交换一下
temp = ic;
ic = dc;
dc = temp;
}
int[] dp = new int[less.length + 1];
for(int j = 0; j < less.length + 1; j++)dp[j] = j * ic;
for(int i = 1; i < more.length + 1; i++){
pre = dp[0];
dp[0] = i * dc;
for(int j = 1; j < less.length + 1; j++){
temp = dp[j];
dp[j] = more[i-1] == less[j-1] ? pre : min(pre + rc,dp[j] + dc,dp[j-1] + ic);
pre = temp;
}
}
return dp[less.length];
}
public int min(int a,int b,int c){
return Math.min(Math.min(a,b),c);
}