最长递增子序列(Longest Increasing Subsequence)-C语言实现-Toy模板网

这篇具有很好参考价值的文章主要介绍了最长递增子序列(Longest Increasing Subsequence)-C语言实现。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

最长递增子序列(Longest Increasing Subsequence)

前言

最长递增子序列属于经典的动态规划问题，属于约束条件下求最大子集的问题。这里的约束条件意思是，子序列需要严格按照递增条件产生，在这个前提之下，我们要求到最长的子序列。这类问题的衍生问题有很多，其本质都是穷举最大化子集。

问题描述

问题其实非常简单，给你一个整数数组 arr ，找到其中最长严格递增子序列的长度。我们任意提取数组中的元素,元素下标有：
$i_k<i_j<i_l<i_m$
如果对应的值严格递增（不包括等于），
$arr[i_k]<arr[i_j]<arr[i_l]<arr[i_m]$
那么此子序列就是递增的子序列，其长度为4。

如果考虑最长递增子序列，那么就要穷举数组中的所有子序列，然后找到最大值。

求解过程

为了深入学习动态规划的基本思维，我们坚持采用《算法导论》中的 CRCC方法对其进行分析，以便后续不断提升动态规划算法思维。求解动态规划框架分为四步。

a.) 表征优化问题的结构(Characterized the structure of the optimal solution)

首先给出例子，帮助理解整体的过程，

最长上升子序列c语言,算法,数据结构,动态规划,c语言

如果求出以index=6结尾的数组的最长递增子序列，那么我们可以遍历index=6之前所有元素，如果此元素小于6号元素的值，那么仅需把此元素处的LIS的值递增1即可，最后比较所有的可能。如果用图的术语解释，就是需要找到元素单调递增的最长路径（权值为1）。

最长上升子序列c语言,算法,数据结构,动态规划,c语言

如果需要计算以index=6为尾部的LIS值，可以用公式求解：
$LIS[6]=max\{LIS[2],LIS[3]+1,LIS[4]+1\}=max\{1,3,3\};$
所以观察到，以index=6结尾的LIS有两个选择:

最长上升子序列c语言,算法,数据结构,动态规划,c语言

这两种路径的长度都为3，均满足LIS的要求。

如果采用递归，那么返回的结果是LIS[i], 其中最长的LIS元素中一定包含index[i]，这就要求需要多次调用递归，确保每个以i结尾的数组的LIS[i]都可以计算获得。

b.) 递归定义最优化问题的值(Recursively define the value of the optimal solution)

通过上面分析，我们可以清楚理解子问题的结构，而且每个子问题具有相互的独立性。接下来就需要用抽象的归纳法定义最优化的值，这些值得定义一定是递归结构，否则就无法产生子问题和求解子问题。如果用函数表示f(i)表示以arr[i]结尾（包含arr[i])的数组的最长递增子序列，那么就有:
$f(i)=max\{f(j)+1\}\ as\ long\ as\ j<i\ and\ arr[j]<arr[i]$
表达式的意思是，扫描所有i之前的元素，如果某个位置j的取值小于f(i)，那么f(i)=f(j)+1；值得一提的是f(j)也是以元素j结尾（包含j处的元素)的f(j)，这样子f(i)和f(j)就具有相同的解结构，只是问题规模大小不同，f(j)的规模比f(i)问题规模要小。

如果要对此问题进行递归求解，其中重要的举措之一便是，对以不同index结尾的数组进行多次递归，细心的读者可能会有疑问，是否需要对所有不同的index结尾的数组进行全部递归呢？答案显而易见，不需要。我们不需要对已经在LIS路径上结尾的元素进行递归，只需要对未遍历的元素进行递归即可。

以下列数组进行说明：

Index	0	1	2	3	4	5	6	7
arr	10	9	2	5	3	7	114	101
visited	true	true	true	true	true	true	false	true
LIS	1	1	1	2	2	3	-1	4

以index=7结尾的元素的LIS[7]=4, 但在遍历过程中arr[6]>arr[7]，导致在递归流程中，index=6演变成遍历的死角，所以需要继续以index=6结尾的元素在进行递归遍历，完成后本数组的每个元素的LIS的数值都完整求出。

Index	0	1	2	3	4	5	6	7
arr	10	9	2	5	3	7	114	101
visited	true	true	true	true	true	true	true	true
LIS	1	1	1	2	2	3	4	4

c) 计算最优化问题的值(Compute the value of the optimal solution)

接下来我们就需要计算最优化问题的值，本问题可以选择递归或者迭代两种方式之一，其中递归计算稍显复杂，没有迭代看起来简洁与直观。

让我们先从递归计算开始，深入理解LIS的基本算法。

在递归过程中，首先需要定义递归的截止条件，递归的截止条件实际上有两类：

f(i)当中的i==0的时候，LIS=1；
f(i)当前置比前置的任何值都要小，那么LIS=1，表格中的index=2的便是这类情况，遇到这类情况，也就是递归中判断条件没有任何一个成立，循环完成后，直接返回1这个具体的值

当递归完成后，需要对没有遍历的元素，设定其为最后一个元素（包括此元素），然后再进行递归遍历，直至所有元素都完成遍历为止，也即所有的visited[i]的值都等于1为止。所以需要对单个递归进行循环。

I. 头文件 (LIS_recursive.h)

/**
 * @file LIS_recursive.h
 * @author your name (you@domain.com)
 * @brief 
 * @version 0.1
 * @date 2023-02-28
 * 
 * @copyright Copyright (c) 2023
 * 
 */
#ifndef LIS_RECURSIVE_H
#define LIS_RECURSIVE_H
#include <stdio.h>
#include <stdlib.h>
#include <string.h>

/**
 * @brief Use recursive method to get longest increasing subsequence
 * 
 * @param arr Array list
 * @param n  Number of array list
 * @param s  Store the number of each elmenent
 * @return int Return longest increasing subsequence
 */
int lis_recursive(int *arr, int n, int *s, int *visited);

/**
 * @brief Use recursive method to get longest increasing subsequence
 *
 * @param arr Array list
 * @param n  Number of array list
 * @param s  Store the number of each elmenent
 * @return int Return longest increasing subsequence
 */
int lis_recursive_aux(int *arr, int n, int *s, int *visited);

int find_longest_increasing_subsequence(int *arr, int n, int *s,int *visited);
/**
 * @brief Find maximum number between m and n
 * 
 * @param m 
 * @param n 
 * @return int 
 */
int max(int m,int n);


#endif

II. 函数的实现

/**
 * @file LIS_recursive.c
 * @author your name (you@domain.com)
 * @brief 
 * @version 0.1
 * @date 2023-02-28
 * 
 * @copyright Copyright (c) 2023
 * 
 */

#ifndef LIS_RECURSIVE_C
#define LIS_RECURSIVE_C
#include "LIS_recursive.h"

int lis_recursive(int *arr, int n, int *s, int *visited)
{
    int i;

    for(i=0;i<=n;i++)
    {
        *(s+i)=-1;
        *(visited+i)=0;
    }
    return find_longest_increasing_subsequence(arr,n,s,visited);
}

int lis_recursive_aux(int *arr, int n, int *s, int *visited)
{
    int i;
    if(s[n]!=-1)
    {
        return s[n];
    }

    if((n)==0)
    {
        s[n]=1;
        visited[n]=1;
    }
    else
    {
        s[n] = 1;
        visited[n] = 1;

        for (i = 0; i < n; i++) //int arr[] = {10, 9, 2, 5, 3, 7, 101, 18};
        {
            if (arr[i] < arr[n])
            {
                s[n] = max(s[n], lis_recursive_aux(arr, i, s,visited) + 1);
            }            
        }
    }

    return s[n];
}

int find_longest_increasing_subsequence(int *arr, int n, int *s, int *visited)
{
    int i;
    int max_value=1;

    for(i=n;i>=0;i--)
    {
        if(!visited[i])
        {
            s[i] = lis_recursive_aux(arr, i, s, visited); 
        }
        max_value=max(max_value,s[i]);
    }

    return max_value;
}

int max(int m, int n)
{
    return (m>n?m:n);
}

#endif

III. 测试函数

/**
 * @file LIS_recursive_main.h
 * @author your name (you@domain.com)
 * @brief 
 * @version 0.1
 * @date 2023-02-28
 * 
 * @copyright Copyright (c) 2023
 * 
 */

#ifndef LIS_RECURSIVE_MAIN_C
#define LIS_RECURSIVE_MAIN_C
#include "LIS_recursive.c"
#define N 8
int main(void)
{
    int arr[] = {10, 9, 2, 5, 3, 7, 114, 101};
    int n;
    int s[N];
    int visited[N];
    int lis;
    n = N-1;
    lis=lis_recursive(arr,n,s,visited);
    printf("The longest increasing susbequence number is %d\n",lis);
    getchar();
    return EXIT_SUCCESS;
}


#endif

接下来继续讨论迭代形式的实现，有了递归作为基础，迭代本就是水到渠成的事情，递归过程中实际变化参数只有数组的下标, 很自然地就以dp[N]作为迭代的保存数组。

关键的是状态转移方程的确认，要确认dp[i]的状态，必须对前面i-1元素和当前的第i元素进行比较，那么就有状态转移方程：
$dp[i]=max\{dp[i],dp[j]+1\},\ j<i\ and \ arr[i]>arr[j]$
状态转移方程的基准也很明确，对于单个元素，其LIS的值都等于1，也即，其自身是最长的LIS。基于上述理解，就很容易书写出来。
$d p [i] = 1 ， 0 <= i < n;$
其核心代码实现：

/**
 * @file LIS_recursive.c
 * @author your name (you@domain.com)
 * @brief 
 * @version 0.1
 * @date 2023-02-28
 * 
 * @copyright Copyright (c) 2023
 * 
 */

#ifndef LIS_BOTTOMUP_C
#define LIS_BOTTOMUP_C
#include "LIS_bottomup.h"

int lis_bottomup(int *arr, int n, int *dp)
{
    int i;
    int j;
    int max_value;

    //when there is only one element in the array, 
    //the longest increasing subsequence is 1
    for(i=0;i<=n;i++)
    {
        *(dp+i)=1;
    }

    //If the array is not empty, the max_value will be initialized as 1
    max_value=1;

    for(i=0;i<=n;i++)
    {
        for(j=0;j<i;j++)
        {
            if(arr[j]<arr[i])
            {
                dp[i]=max(dp[i],dp[j]+1);
            }
        }

        max_value=max(max_value,dp[i]);
    }

    return max_value;
}

int max(int m, int n)
{
    return (m>n?m:n);
}

#endif

在此不再赘述dp的运算的详细过程。

4. 小结

对于LIS问题，可以清晰的采用迭代实现，但是如果采用递归实现就需要多余的函数和判断，所以很多时候，如果能清晰的判断迭代的边界条件并能给出初始化的base，迭代也是一种最佳选择。如果涉及到很多子问题的剪枝，那么递归就比迭代效率更高，比如背包问题采用迭代，可以节省很多dp[N+1][Total_Weight+1]空间。

参考资料