动态规划法(十)最长公共子序列(LCS)问题

问题介绍

  给定一个序列《动态规划法(十)最长公共子序列(LCS)问题》,另一个序列《动态规划法(十)最长公共子序列(LCS)问题》满足如下条件时称为X的子序列:存在一个严格递增的X的下标序列《动态规划法(十)最长公共子序列(LCS)问题》,对所有的《动态规划法(十)最长公共子序列(LCS)问题》满足《动态规划法(十)最长公共子序列(LCS)问题》
  给定两个序列《动态规划法(十)最长公共子序列(LCS)问题》《动态规划法(十)最长公共子序列(LCS)问题》,如果《动态规划法(十)最长公共子序列(LCS)问题》同时是《动态规划法(十)最长公共子序列(LCS)问题》《动态规划法(十)最长公共子序列(LCS)问题》的子序列,则称《动态规划法(十)最长公共子序列(LCS)问题》《动态规划法(十)最长公共子序列(LCS)问题》《动态规划法(十)最长公共子序列(LCS)问题》公共子序列最长公共子序列(LCS)问题指的是:求解两个序列《动态规划法(十)最长公共子序列(LCS)问题》《动态规划法(十)最长公共子序列(LCS)问题》的长度最长的公共子序列。例如,序列《动态规划法(十)最长公共子序列(LCS)问题》《动态规划法(十)最长公共子序列(LCS)问题》的最长公共子序列为《动态规划法(十)最长公共子序列(LCS)问题》,长度为4。
  本文将具体阐释如何用动态规划法(Dynamic Programming)来求解最长公共子序列(LCS)问题。

算法分析

1. LCS的子结构

  给定一个序列《动态规划法(十)最长公共子序列(LCS)问题》,对《动态规划法(十)最长公共子序列(LCS)问题》,定义《动态规划法(十)最长公共子序列(LCS)问题》的第i前缀为《动态规划法(十)最长公共子序列(LCS)问题》,其中《动态规划法(十)最长公共子序列(LCS)问题》为空序列。
  (LCS的子结构)令《动态规划法(十)最长公共子序列(LCS)问题》《动态规划法(十)最长公共子序列(LCS)问题》为两个序列,《动态规划法(十)最长公共子序列(LCS)问题》《动态规划法(十)最长公共子序列(LCS)问题》《动态规划法(十)最长公共子序列(LCS)问题》的任意LCS,则:

  1. 如果《动态规划法(十)最长公共子序列(LCS)问题》《动态规划法(十)最长公共子序列(LCS)问题》《动态规划法(十)最长公共子序列(LCS)问题》《动态规划法(十)最长公共子序列(LCS)问题》《动态规划法(十)最长公共子序列(LCS)问题》的一个LCS。
  2. 如果《动态规划法(十)最长公共子序列(LCS)问题》《动态规划法(十)最长公共子序列(LCS)问题》意味着《动态规划法(十)最长公共子序列(LCS)问题》《动态规划法(十)最长公共子序列(LCS)问题》《动态规划法(十)最长公共子序列(LCS)问题》的一个LCS。
  3. 如果《动态规划法(十)最长公共子序列(LCS)问题》《动态规划法(十)最长公共子序列(LCS)问题》《动态规划法(十)最长公共子序列(LCS)问题》《动态规划法(十)最长公共子序列(LCS)问题》《动态规划法(十)最长公共子序列(LCS)问题》的一个LCS。

2. 构造递归解

  在求《动态规划法(十)最长公共子序列(LCS)问题》《动态规划法(十)最长公共子序列(LCS)问题》的一个LCS时,需要求解一个或两个子问题:如果《动态规划法(十)最长公共子序列(LCS)问题》,应求解《动态规划法(十)最长公共子序列(LCS)问题》《动态规划法(十)最长公共子序列(LCS)问题》的一个LCS,再将《动态规划法(十)最长公共子序列(LCS)问题》追加到这个LCS的末尾,就得到《动态规划法(十)最长公共子序列(LCS)问题》《动态规划法(十)最长公共子序列(LCS)问题》的一个LCS;如果《动态规划法(十)最长公共子序列(LCS)问题》,需求解《动态规划法(十)最长公共子序列(LCS)问题》《动态规划法(十)最长公共子序列(LCS)问题》的一个LCS与《动态规划法(十)最长公共子序列(LCS)问题》《动态规划法(十)最长公共子序列(LCS)问题》的一个LCS,两个LCS较长者即为《动态规划法(十)最长公共子序列(LCS)问题》《动态规划法(十)最长公共子序列(LCS)问题》的一个LCS。当然,可以看出,LCS问题容易出现重叠子问题,这时候,就需要用动态规划法来解决。
  定义《动态规划法(十)最长公共子序列(LCS)问题》表示《动态规划法(十)最长公共子序列(LCS)问题》《动态规划法(十)最长公共子序列(LCS)问题》的LCS的长度。如果《动态规划法(十)最长公共子序列(LCS)问题》《动态规划法(十)最长公共子序列(LCS)问题》,则《动态规划法(十)最长公共子序列(LCS)问题》利用LCS的子结构,可以得到如下公式:

《动态规划法(十)最长公共子序列(LCS)问题》

3. 计算LCS的长度

  计算LCS长度的伪代码为LCS-LENGTH. 过程LCS-LENGTH接受两个子序列《动态规划法(十)最长公共子序列(LCS)问题》《动态规划法(十)最长公共子序列(LCS)问题》为输入。它将《动态规划法(十)最长公共子序列(LCS)问题》的值保存在表《动态规划法(十)最长公共子序列(LCS)问题》中,同时,维护一个表《动态规划法(十)最长公共子序列(LCS)问题》,帮助构造最优解。过程LCS-LENGTH的伪代码如下:

LCS-LENGTH(X, Y):
m = X.length
n = Y.length
let b[1...m, 1...n] and c[0...m, 0...n] be new table

for i = 1 to m
    c[i, 0] = 0
for j = 1 to n
    c[0, j] = 0

for i = 1 to m
    for j = 1 to n
        if x[i] == y[j]
           c[i,j] = c[i-1, j-1]+1
           b[i,j] = 'diag'
           
        elseif c[i-1, j] >= c[i, j-1]
            c[i,j] = c[i-1, j]
            b[i,j] = 'up'
            
        else
            c[i,j] = c[i, j-1]
            b[i,j] = 'left'
            
return c and b

4. 寻找LCS

  为了寻找《动态规划法(十)最长公共子序列(LCS)问题》《动态规划法(十)最长公共子序列(LCS)问题》的一个LCS, 我们需要用到LCS-LENGTH过程中的表《动态规划法(十)最长公共子序列(LCS)问题》,只需要简单地从《动态规划法(十)最长公共子序列(LCS)问题》开始,并按箭头方向追踪下去即可。当在表项《动态规划法(十)最长公共子序列(LCS)问题》中遇到一个’diag’时,意味着《动态规划法(十)最长公共子序列(LCS)问题》是LCS的一个元素。按照这种方法,我们可以按逆序依次构造出LCS的所有元素。伪代码PRINT-LCS如下:

PRINT-LCS(b, X, i, j):
    if i == 0 or j == 0
        return
    if b[i,j] == 'diag'
        PRINT-LCS(b, X, i-1, j-1)
        print x[i]
    elseif b[i,j] == 'up':
        PRINT-LCS(b, X, i-1, j)
    else
        PRINT-LCS(b, X, i, j-1)

程序实现

  有了以上对LCS问题的算法分析,我们不难写出具体的程序来实现它。下面将会给出Python代码和Java代码,供读者参考。
  完整的Python代码如下:

import numpy as np

# using dynamic programming to solve LCS problem
# parameters: X,Y -> list
def LCS_LENGTH(X, Y):
    m = len(X) # length of X
    n = len(Y) # length of Y

    # create two tables, b for directions, c for solution of sub-problem
    b = np.array([[None]*(n+1)]*(m+1))
    c = np.array([[0]*(n+1)]*(m+1))

    # use DP to sole LCS problem
    for i in range(1, m+1):
        for j in range(1, n+1):
            if X[i-1] == Y[j-1]:
                c[i,j] = c[i-1,j-1]+1
                b[i,j] = 'diag'
            elif c[i-1,j] >= c[i, j-1]:
                c[i,j] = c[i-1,j]
                b[i,j] = 'up'
            else:
                c[i,j] = c[i,j-1]
                b[i,j] = 'left'
    #print(b)
    #print(c)
    return b,c

# print longest common subsequence of X and Y
def print_LCS(b, X, i, j):

    if i == 0 or j == 0:
        return None
    if b[i,j] == 'diag':
        print_LCS(b, X, i-1, j-1)
        print(X[i-1], end=' ')
    elif b[i,j] == 'up':
        print_LCS(b, X, i-1, j)
    else:
        print_LCS(b, X, i, j-1)

X = 'conservatives'
Y = 'breather'

b,c = LCS_LENGTH(X,Y)
print_LCS(b, X, len(X), len(Y))

输出结果如下:

e a t e 

  完整的Java代码如下:

package DP_example;

import java.util.Arrays;
import java.util.List;

public class LCS {
    // 主函数
    public static void main(String[] args) {
        // 两个序列X和Y
        List<String> X = Arrays.asList("A","B","C","B","D","A","B");
        List<String> Y = Arrays.asList("B","D","C","A","B","A");

        int m = X.size(); //X的长度
        int n = Y.size(); // Y的长度
        String[][] b = LCS_length(X, Y); //获取维护表b的值

        print_LCS(b, X, m, n); // 输出LCS
    }

    /*
    函数LCS_length:获取维护表b的值
    传入参数: 两个序列X和Y
    返回值: 维护表b
     */
    public static String[][] LCS_length(List X, List Y){
        int m = X.size(); //X的长度
        int n = Y.size(); // Y的长度
        int[][] c = new int[m+1][n+1];
        String[][] b = new String[m+1][n+1];

        // 对表b和表c进行初始化
        for(int i=1; i<m+1; i++){
            for(int j=1; j<n+1; j++){
                c[i][j] = 0;
                b[i][j] = "";
            }
        }
        
        // 利用自底向上的动态规划法获取b和c的值
        for(int i=1; i<m+1; i++){
            for(int j=1; j<n+1; j++){
                if(X.get(i-1) == Y.get(j-1)){
                    c[i][j] = c[i-1][j-1]+1;
                    b[i][j] = "diag";
                }
                else if(c[i-1][j] >= c[i][j-1]){
                    c[i][j] = c[i-1][j];
                    b[i][j] = "up";
                }
                else{
                    c[i][j] = c[i][j-1];
                    b[i][j] = "left";
                }
            }
        }

        return b;
    }

    // 输出最长公共子序列
    public static int print_LCS(String[][] b, List X, int i, int j){

        if(i == 0 || j == 0)
            return 0;

        if(b[i][j].equals("diag")){
            print_LCS(b, X, i-1, j-1);
            System.out.print(X.get(i-1)+" ");
        }
        else if(b[i][j].equals("up"))
            print_LCS(b, X, i-1, j);
        else
            print_LCS(b, X, i, j-1);

        return 1;
    }
}

输出结果如下:

B C B A 

参考文献

  1. 算法导论(第三版) 机械工业出版社
  2. https://www.geeksforgeeks.org/longest-common-subsequence/

注意:本人现已开通两个微信公众号: 因为Python(微信号为:python_math)以及轻松学会Python爬虫(微信号为:easy_web_scrape), 欢迎大家关注哦~~

    原文作者:但盼风雨来_jc
    原文地址: https://www.jianshu.com/p/4f388637ed0e
    本文转自网络文章,转载此文章仅为分享知识,如有侵权,请联系博主进行删除。
点赞