凡人多烦事01

这个屌丝很懒，什么也没留下！

热门标签

算法套路十五——动态规划求解最长公共子序列LCS_动态规划解决最长公共子序列问题。

作者：凡人多烦事01 | 2024-03-06 22:35:28

踩

动态规划解决最长公共子序列问题。

算法套路十五——动态规划求解最长公共子序列LCS

算法示例：LeetCode1143. 最长公共子序列

给定两个字符串 text1 和 text2，返回这两个字符串的最长公共子序列的长度。如果不存在公共子序列，返回 0 。
一个字符串的子序列是指这样一个新的字符串：它是由原字符串在不改变字符的相对顺序的情况下删除某些字符（也可以不删除任何字符）后组成的新字符串。
例如，“ace” 是 “abcde” 的子序列，但 “aec” 不是 “abcde” 的子序列。
两个字符串的公共子序列是这两个字符串所共同拥有的子序列。

二维数组动态规划

定义 $d p [] []$ ：设 $d p [i] [j]$ 表示序列 $X$ 的前 $i$ 个字符和序列 $Y$ 的前 $j$ 个字符的最长公共子序列长度。
初始化：当 $i = 0$ 或 $j = 0$ 时， $d p [i] [j] = 0$ ，因为一个空序列和另一个序列的任何子序列都没有公共部分。
状态转移方程：对于序列 $X$ 中的第 $i$ 个字符和序列 $Y$ 中的第 $j$ 个字符，有两种情况：
- 如果 $X_i = Y_j$ ，则当前字符可以包含在最长公共子序列中，因此有 $d p [i] [j] = d p [i - 1] [j - 1] + 1$ ；
- 如果 $X_i \neq Y_j$ ，则当前字符不能同时出现在最长公共子序列中，因此取两种情况的较大值：去掉 $X_i$ 后与序列 $Y$ 的前 $j$ 个字符的最长公共子序列长度，或者与序列 $X$ 的前 $i$ 个字符去掉 $Y_j$ 后的最长公共子序列长度。即 $\max(dp[i-1][j], dp[i][j-1])$ 。
状态转移方程及dp数组初始化如下所示：

${\begin{cases} 0, & i = 0, j > 0 \\ 0, & i > 0, j = 0 \\ d p [i] [j] + 1, & i, j > 0, X_{i} = Y_{j} \\ max (d p [i + 1] [j], d p [i] [j + 1]), & i, j > 0, X_{i} \neq Y_{i} \end{cases}$ $\begin{cases} 0, & i=0, j>0 \\ 0, & i>0, j=0 \\ dp[i][j]+1, & i,j>0,X_i=Y_j \\ \max(dp[i+1][j], dp[i][j+1]), & i,j>0,X_i \neq Y_i \end{cases}$ $d p [i + 1] [j + 1] = ⎩ ⎨ ⎧ 0, 0, d p [i] [j] + 1, max (d p [i + 1] [j], d p [i] [j + 1]), i = 0, j > 0 i > 0, j = 0 i, j > 0, X_{i} = Y_{j} i, j > 0, X_{i} \neq = Y_{i}$
返回值
最终， $d p [m] [n]$ 即为序列 $X$ 和序列 $Y$ 的最长公共子序列长度，其中 $m$ 和 $n$ 分别为序列 $X$ 和 $Y$ 的长度。

class Solution:
    def longestCommonSubsequence(self, text1: str, text2: str) -> int:
        n, m = len(text1), len(text2)
        dp = [[0]*(m+1) for _ in range(n + 1)]
        for i in range(n):
            for j in range(m):
                if text1[i]==text2[j]:
                    dp[i+1][j+1]=dp[i][j]+1
                else:
                    dp[i+1][j+1]=max(dp[i][j + 1], dp[i + 1][j])
        return dp[n][m]
1
2
3
4
5
6
7
8
9
10
11

空间优化为一维数组

本题的状态转移数组需要考虑 $d p [i] [j] 、 d p [i] [j + 1] 、 d p [i + 1] [j]$ 三个状态，分别位于二维数组中的左边，上边与左上，对于左上的状态即dp[i][j]，在二维矩阵中，更新第 i+1 行第 j+1 列的元素需要用到第 i 行第 j 列和第 i 行第 j+1 列的元素。而在一维数组中，如果直接覆盖 dp[j+1] 的值，则第 i 行第 j 列的元素就会被新值所覆盖，从而无法在计算第 i+1 行中的其他元素时继续使用。因此，我们需要在更新 dp[j+1] 的同时，记录旧值并存储到 temp 变量中，以便在下一轮迭代中使用。

class Solution:
    def longestCommonSubsequence(self, text1: str, text2: str) -> int:
        n, m = len(text1), len(text2)
        dp = [0]*(m+1)
        for i in range(n):
            temp = dp[0]
            for j in range(m):
                if text1[i]==text2[j]:
                    # dp[j+1] 表示左上角的值，dp[j+1] = temp + 1 表示将左上角的值加一，赋值给当前单元格；
                    # 同时将更新前的 dp[j+1] 赋值给 temp，以便下次迭代中计算下一个单元格所需的左上角的值。
                    dp[j+1], temp = temp+1, dp[j+1]
                else:
                    dp[j+1], temp = max(dp[j], dp[j+1]), dp[j+1]
        return dp[m]

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

算法练习一：LeetCode583. 两个字符串的删除操作

给定两个单词 word1 和 word2 ，返回使得 word1 和 word2 相同所需的最小步数。
每步可以删除任意一个字符串中的一个字符。

如上图所示，本题关键在于两字符串的求最长公共子序列LCS，求出之后直接可以得出答案为len(word1)+len(word2)-2*len(lcs)，因此我们直接利用示例函数longestCommonSubsequence()求出len(lcs)

func minDistance(word1 string, word2 string) int {
    lcsLen := one_dimensional_longestCommonSubsequence(word1, word2)
    return len(word1) + len(word2) - 2*lcsLen
}
func one_dimensional_longestCommonSubsequence(text1 string, text2 string) int {
    n, m := len(text1), len(text2)
    dp := make([]int, m+1)
    for i := 0; i < n; i++ {
        temp := dp[0]
        for j := 0; j < m; j++ {
            if text1[i] == text2[j] {
                // dp[j+1] 表示左上角的值，dp[j+1] = temp + 1 表示将左上角的值加一，
                // 赋值给当前单元格；同时将更新前的 dp[j+1] 赋值给 temp，
                // 以便下次迭代中计算下一个单元格所需的左上角的值。
                dp[j+1], temp = temp+1, dp[j+1]
            } else {
                dp[j+1], temp = max(dp[j], dp[j+1]), dp[j+1]
            }
        }
    }
    return dp[m]
}
func max(a, b int) int {    if a > b {return a};    return b}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

算法练习二：LeetCode712. 两个字符串的最小ASCII删除和

给定两个字符串s1 和 s2，返回使两个字符串相等所需删除字符的 ASCII 值的最小和。

该题与上题相似，唯一区别在于所求的为公共子序列的最大AscII值，因此我们可以修改状态转移方程如下所示即可求出：

{\begin{cases} 0, & i = 0, j > 0 \\ 0, & i > 0, j = 0 \\ d p [i] [j] + X_{i} 的 A S C I I 值, & i, j > 0, X_{i} = Y_{j} \\ max (d p [i + 1] [j], d p [i] [j + 1]), & i, j > 0, X_{i} \neq Y_{i} \end{cases}

$\begin{cases} 0, & i=0, j>0 \\ 0, & i>0, j=0 \\ dp[i][j]+X_i的ASCII值, & i,j>0,X_i=Y_j \\ \max(dp[i+1][j], dp[i][j+1]), & i,j>0,X_i \neq Y_i \end{cases}$

d p [i + 1] [j + 1] = ⎩ ⎨ ⎧ 0, 0, d p [i] [j] + X_{i} 的 A SC II 值, max (d p [i + 1] [j], d p [i] [j + 1]), i = 0, j > 0 i > 0, j = 0 i, j > 0, X_{i} = Y_{j} i, j > 0, X_{i} \neq = Y_{i}

func minimumDeleteSum(s1 string, s2 string) int {
    lcaAsCII:=one_dimensional_largestAsCII_common_subsequence(s1,s2)
    return sumAsCII(s1)+sumAsCII(s2)-2*lcaAsCII
}
func  one_dimensional_largestAsCII_common_subsequence(text1 string, text2 string) int {
    n, m := len(text1), len(text2)
    dp := make([]int, m+1)
    for i := 0; i < n; i++ {
        temp := dp[0]
        for j := 0; j < m; j++ {
            if text1[i] == text2[j] {
				#唯一区别temp+1修改为temp+int(text1[i])
                dp[j+1], temp = temp+int(text1[i]), dp[j+1]
            } else {
                dp[j+1], temp = max(dp[j], dp[j+1]), dp[j+1]
            }
        }
    }
    return dp[m]
}
func max(a, b int) int {    if a > b {return a};    return b}
func sumAsCII(str string)(sum int){
    for _,c:=range str{
        sum+=int(c)
    }
    return sum
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27

算法进阶一：LeetCode1458. 两个子序列的最大点积

给你两个数组 nums1 和 nums2 。
请你返回 nums1 和 nums2 中两个长度相同的非空子序列的最大点积。
数组的非空子序列是通过删除原数组中某些元素（可能一个也不删除）后剩余数字组成的序列，但不能改变数字间相对顺序。比方说，[2,3,5] 是 [1,2,3,4,5] 的一个子序列而 [1,5,3] 不是。

二维数组动态规划

在LCS问题中，当text1[i]和text2[j]相等时，可以通过将这个相同的元素加入最长公共子序列来使最终结果+1或者ASCII值。但在最大点积问题中，若nums1[i]和nums2[j]的积大于0，表明它们的符号相同，这只是可能会对最终结果产生正影响，但并不能确定它们一定需要配对，通过比较不同需求下的dp数组之间的大小关系，才能得出最大的点积值，如下所示：

如nums1 = [5, -2, 3]，nums2 = [-4, -1, 2] $可得 d p [1] [1] = 0 且 n u m 1 [1] * n u m s 2 [1] = (- 2) * (- 1) = 2 ，但此时还有 d p [1] [2] = 0 ， d p [2] [1] = (- 2) * (- 4) = 8$ 在这种情况下nums1[i]*nums2[j]虽然大于0，但我们仍需要考虑dp[2][1]的值，故此时 $d p [2] [2] = ma x (d p [2] [1], d p [1] [2], d p [1] [1] + n u m 1 [1] * n u m s 2 [1]] = 8$

首先定义一个二维数组 dp，其中 dp[i][j] 表示 nums1 前 i 个数和 nums2 前 j 个数组成的两个子序列的最大点积。
状态转移方程如下： $d p [i] [j] = ma x (d p [i - 1] [j - 1] + n u m s 1 [i - 1] * n u m s 2 [j - 1] ， d p [i] [j - 1] ， d p [i - 1] [j])$
dp[i-1][j-1] +nums1[i-1]*nums2[j-1]表示将当前最后一个元素从两个数组中取出做点积；dp[i][j-1] 和 dp[i-1][j] 分别表示不取 nums1[i-1] 和不取 nums2[j-1]，只选取前面元素得到的最大点积。

func maxDotProduct(nums1 []int, nums2 []int) int {
    return two_dimensional_Max_dot_product(nums1,nums2)
}
func two_dimensional_Max_dot_product(nums1 []int, nums2 []int) int {
    n, m := len(nums1), len(nums2)
    dp := make([][]int, n+1)
    for i := range dp {
        dp[i] = make([]int, m+1)
    }
    ans:=math.MinInt
    for i := 1; i <= n; i++ {
        for j := 1; j <= m; j++ {
            acc:=nums1[i-1]* nums2[j-1]
            dp[i][j] = maxOfThree(dp[i-1][j-1]+acc , dp[i-1][j], dp[i][j-1])
            ans=max(ans,acc)
        }
    }
    if dp[n][m]==0{return ans}
    return dp[n][m]
}
func maxOfThree(a, b, c int) int {
    max := a
    if b > max {max = b}
    if c > max {max = c}
    return max
}
func max(a, b int) int {    if a > b {return a};    return b}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27

空间优化为一维数组

空间优化同LCS问题，需要使用temp记录，状态转移方程及初始数组无区别

func maxDotProduct(nums1 []int, nums2 []int) int {
    return one_dimensional_Max_dot_product(nums1,nums2)
}
func one_dimensional_Max_dot_product(nums1 []int, nums2 []int) int {
    n, m := len(nums1), len(nums2)
    dp := make([]int, m+1)
    ans:=math.MinInt
    for i := 0; i < n; i++ {
        temp := dp[0]
        for j := 0; j < m; j++ {
            acc:=nums1[i]*nums2[j]
            dp[j+1], temp =maxOfThree(temp+acc,dp[j],dp[j+1]),dp[j+1]
            ans=max(ans,acc)
        }
    }
    //如果dp[m]==0，说明ans即最大的乘积acc<=0，故可直接返回acc
    if dp[m]==0{return ans}
    return dp[m]
}
func maxOfThree(a, b, c int) int {
    max := a
    if b > max {max = b}
    if c > max {max = c}
    return max
}
func max(a, b int) int {    if a > b {return a};    return b}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26

算法进阶二：LeetCode97. 交错字符串

给定三个字符串 s1、s2、s3，请你帮忙验证 s3 是否是由 s1 和 s2 交错组成的。
两个字符串 s 和 t 交错的定义与过程如下，其中每个字符串都会被分割成若干非空子字符串：
s = s1 + s2 + … + sn
t = t1 + t2 + … + tm
|n - m| <= 1
交错是 s1 + t1 + s2 + t2 + s3 + t3 + … 或者 t1 + s1 + t2 + s2 + t3 + s3 + …
注意：a + b 意味着字符串 a 和 b 连接。

双指针法错在哪里?也许有同学看到这道题目的第一反应是使用双指针法解决这个问题，指针 p1一开始指向s1的头部，指针
p2一开始指向s2的头部，指针 p3指向s3的头部，每次观察p1和p2指向的元素哪一个和p3指向的元素相等，相等则匹配并后移指针。
若判断s1 = bcc,s2 = bbca，s3 =bbcbcac时，当p3指向s3的b时，对于s1与s2都有b，因此此时仍需要分别记录p1指针前进与p2指针前进两种情况，需要分别判断每种情况是否能够满足字符串交错，因此不能使用单一的双指针法来解决。

递归+记忆化搜索

本题不是一般的LCS问题，对于状态转移方程不是很容易理解，因此我们首先采用递归+记忆化搜索的方法解决该问题。
我们可以定义一个递归函数 dfs(i, j, k)，其中 s1、s2 和 s3 分别表示三个字符串，i、j 和 k 分别表示当前匹配到 s1、s2 和 s3 的哪个位置。

递归函数的基本思路如下：

如果 i、j 和 k 都等于字符串的长度，说明 s3 可以由 s1 和 s2 交错组成，返回 True。
如果 k 等于字符串 s3 的长度，但 i 或 j 不等于对应字符串的长度，说明 s3 不能由 s1 和 s2 交错组成，返回 False。
如果 s1[i] 等于 s3[k]，那么我们可以递归判断 s1[i+1:]、s2[j:] 和 s3[k+1:] 是否可以交错组成。如果可以，返回 True。
如果 s2[j] 等于 s3[k]，那么我们可以递归判断 s1[i:]、s2[j+1:] 和 s3[k+1:] 是否可以交错组成。如果可以，返回 True。
如果 s1[i] 和 s2[j] 都不等于 s3[k]，那么 s3 不能由 s1 和 s2 交错组成，返回 False。

class Solution:
    def isInterleave(self, s1: str, s2: str, s3: str) -> bool:
        @cache
        def dfs(i, j, k):
            if i == len(s1) and j == len(s2) and k == len(s3):
                return True
            if k == len(s3) and (i != len(s1) or j != len(s2)):
                return False
            if i < len(s1) and s1[i] == s3[k] and dfs(i+1, j, k+1):
                return True
            if j < len(s2) and s2[j] == s3[k] and dfs(i, j+1, k+1):
                return True
            return False
        return dfs(0, 0, 0)
1
2
3
4
5
6
7
8
9
10
11
12
13
14

二维数组动态规划

根据以上递归过程，我们可以得出动态规划的式子，

dp数组：dp[i][j] 表示 s1 的前 i 个字符和 s2 的前 j 个字符是否能够交错组成 s3 的前 i+j 个字符。
初始化: dp[0][0] = True，因为空字符串可以组成空字符串。
动态转移方程：

{\begin{cases} t r u e, & i = 0, j = 0 \\ d p [0] [j - 1] and s 2 [j - 1] = s 3 [j - 1], & i = 0, j \geq 1 \\ d p [i - 1] [0] and s 1 [i - 1] = s 3 [i - 1], & i \geq 1, j = 0 \\ (d p [i - 1] [j] and s 1 [i - 1] = s 3 [i + j - 1]) or (d p [i] [j - 1] and s 2 [j - 1] = s 3 [i + j - 1]), & i \geq 1, j \geq 1 \end{cases}

$\begin{cases} true, & i=0, j=0 \\ dp[0][j-1] \text{ and } s2[j-1] = s3[j-1], & i=0, j \geq 1 \\ dp[i-1][0] \text{ and } s1[i-1] = s3[i-1], & i \geq 1, j=0 \\ (dp[i-1][j] \text{ and } s1[i-1] = s3[i+j-1]) \text{ or } (dp[i][j-1] \text{ and } s2[j-1] = s3[i+j-1]), & i \geq 1, j \geq 1 \end{cases}$

d p [i] [j] = ⎩ ⎨ ⎧ t r u e, d p [0] [j - 1] and s 2 [j - 1] = s 3 [j - 1], d p [i - 1] [0] and s 1 [i - 1] = s 3 [i - 1], (d p [i - 1] [j] and s 1 [i - 1] = s 3 [i + j - 1]) or (d p [i] [j - 1] and s 2 [j - 1] = s 3 [i + j - 1]), i = 0, j = 0 i = 0, j \geq 1 i \geq 1, j = 0 i \geq 1, j \geq 1

返回值：最终的答案为 dp[n][m]，其中 n 和 m 分别是 s1 和 s2 的长度。

func isInterleave(s1 string, s2 string, s3 string) bool {
    n,m:=len(s1),len(s2)
    if n+ m != len(s3) {
        return false
    }
    dp := make([][]bool, n+ 1)
    for i := range dp {
        dp[i] = make([]bool, m + 1)
    }
    dp[0][0] = true
    for i := 1; i <= n; i++ {
        dp[i][0] = dp[i-1][0] && s1[i-1] == s3[i-1]
    }
    for j := 1; j <= m; j++ {
        dp[0][j] = dp[0][j-1] && s2[j-1] == s3[j-1]
    }
    for i := 1; i <= n; i++ {
        for j := 1; j <= m; j++ {
            /*if s1[i-1] == s3[i+j-1]{
                dp[i][j] =dp[i][j] || dp[i-1][j]
            }
            if  s2[j-1] == s3[i+j-1]{
                dp[i][j] =dp[i][j] || dp[i][j-1]
            }*/
            dp[i][j] = (dp[i-1][j] && s1[i-1] == s3[i+j-1]) || (dp[i][j-1] && s2[j-1] == s3[i+j-1])
        }
    }
    return dp[n][m]
}

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

空间优化

func isInterleave(s1 string, s2 string, s3 string) bool {
    n1, n2, n3 := len(s1), len(s2), len(s3)
    if n1 + n2 != n3 {
        return false
    }

    dp := make([]bool, n2 + 1)
    dp[0] = true

    for i := 0; i <= n1; i++ {
        for j := 0; j <= n2; j++ {
            if i == 0 && j > 0 {
                dp[j] = dp[j-1] && (s2[j-1] == s3[i+j-1])
            } else if i > 0 && j == 0 {
                dp[j] = dp[j] && (s1[i-1] == s3[i+j-1])
            } else if i > 0 && j > 0 {
                dp[j] = (dp[j] && (s1[i-1] == s3[i+j-1])) ||
                        (dp[j-1] && (s2[j-1] == s3[i+j-1]))
            }
        }
    }

    return dp[n2]
}

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

算法进阶三：LeetCode72. 编辑距离

给你两个单词 word1 和 word2，请返回将 word1 转换成 word2 所使用的最少操作数。
你可以对一个单词进行如下三种操作：
插入一个字符
删除一个字符
替换一个字符

递归+记忆化搜索

递归函数定义：递归函数 dfs 接受两个参数 i 和 j，分别表示 word1 和 word2 的索引。dfs 函数的返回值是将 word1 转换成 word2 所需的最少操作次数。在这个函数中，我们使用 Python 3 中的 functools.cache 装饰器来缓存递归函数的结果，避免重复计算。
递归方程：
如果 i < 0，说明 word1 已经遍历完，此时需要插入 j+1 个字符才能匹配 word2，因此返回 j+1。
如果 j < 0，说明 word2 已经遍历完，此时需要插入 i+1 个字符才能匹配 word1，因此返回 i+1。
如果 word1[i] == word2[j]，说明当前字符相等，不需要进行操作，递归到下一个字符，即 dfs(i-1, j-1)。
如果 word1[i] != word2[j]，说明当前字符不相等，需要进行插入、删除或替换操作。具体来说：
- 插入操作：在 word1 中插入一个字符，使得 word1[i+1] == word2[j]，此时需要递归到 dfs(i, j-1)。
- 删除操作：删除 word1 中的一个字符，使得 word1[i-1] == word2[j]，此时需要递归到 dfs(i-1, j)。
- 替换操作：将 word1 中的一个字符替换成 word2 中的一个字符，使得 word1[i-1] == word2[j-1]，此时需要递归到 dfs(i-1, j-1)。
- 在这三种操作中，取操作次数最少的一种，即 min(dfs(i-1, j), dfs(i, j-1), dfs(i-1, j-1))，然后加 1，即可得到将 word1 转换成 word2 所需的最少操作次数。
边界条件：在递归函数中，我们需要判断 word1 和 word2 是否已经遍历完，如果是，则返回另一个字符串的长度加 1，因为此时需要插入字符来匹配另一个字符串。具体来说，如果 i < 0，则返回 j + 1；如果 j < 0，则返回 i + 1。
所求值：我们需要调用递归函数，传入 word1 和 word2 的长度减 1 作为参数，返回最终的编辑距离。具体来说，我们需要返回 dfs(n - 1, m - 1)，其中 n 和 m 分别是 word1 和 word2 的长度。

下面是递归过程的分情况解释：

class Solution:
    def minDistance(self, word1: str, word2: str) -> int:
        n,m=len(word1),len(word2)
        @cache
        def dfs(i:int,j:int)->int:
            if i<0:
                return j+1
            if j<0:
                return i+1
            if word1[i]==word2[j]:
                return dfs(i-1,j-1)
            else:
                return min(dfs(i-1,j),dfs(i,j-1),dfs(i-1,j-1))+1
        return dfs(n-1,m-1)
1
2
3
4
5
6
7
8
9
10
11
12
13
14

二维数组动态规划

根据以上递归过程，我们可以得出动态规划的式子
下面是编辑距离问题的动态规划解法:

定义状态：dp[i][j] 表示将 word1 的前 i 个字符转换为 word2 的前 j 个字符所需的最少操作次数。
初始化：当字符串长度为 0 时，相互转化不需要任何操作。因此dp[0][j]=j, dp[i][0]=i。
转移方程：
- 当 word1[i] == word2[j] 时，此时不需要进行任何操作，所以dp[i][j] = dp[i-1][j-1]。
- 当 word1[i] != word2[j] 时，需要进行插入、删除、替换三种操作中的一种，取这三种操作中操作次数最少的一种，并加上 1，即可得到 dp[i][j]：
  - 插入操作: dp[i][j] = dp[i][j-1] + 1
  - 删除操作: dp[i][j] = dp[i-1][j] + 1
  - 替换操作: dp[i][j] = dp[i-1][j-1] + 1
    ${\begin{cases} 0, & i = 0, j = 0 \\ i, & i \geq 1, j = 0 \\ j, & i = 0, j \geq 1 \\ \begin{aligned} min (d p [i - 1] [j], d p [i] [j - 1], d p [i - 1] [j - 1]) + 1, & w o r d 1 [i - 1] \neq w o r d 2 [j - 1] \\ d p [i - 1] [j - 1] & w o r d 1 [i - 1] = w o r d 2 [j - 1] \end{aligned} \end{cases}$
边界情况：当 i = 0 时，表示 word1 已经遍历完，需要插入 j 个字符才能与 word2 匹配；同理，当 j = 0 时，需要删除 i 个字符才能与 word2 匹配。
所求答案：最终的答案保存在 dp[n][m] 中，其中 n 和 m 分别是 word1 和 word2 的长度。

func minDistance(word1 string, word2 string) int {
    n,m:=len(word1),len(word2)
    dp:=make([][]int,n+1)
    for i:=0;i<=n;i++{
        dp[i]=make([]int ,m+1)
    }
    for i:=0;i<=n;i++{
        dp[i][0]=i
    }
    for j:=0;j<=m;j++{
        dp[0][j]=j
    }
    for i:=0;i<n;i++{
        for j:=0;j<m;j++{
            if word1[i]==word2[j]{
                dp[i+1][j+1]=dp[i][j]
            }else{
                dp[i+1][j+1]=min(dp[i][j+1],dp[i+1][j],dp[i][j])+1
            }
        }
    }
    return dp[n][m]
}
func min(x, y, z int) int {
   if x < y && x < z {
      return x
   } else if y < x && y < z {
      return y
   }
   return z
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31

声明：本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：【wpsshop博客】