数据结构与算法面试题:给定一个字符串 s,找到 s 中最长的回文子串。你可以假设 s 的最大长度为 1000。(提示:使用动态规划或者中心扩散)

简介: 数据结构与算法面试题:给定一个字符串 s,找到 s 中最长的回文子串。你可以假设 s 的最大长度为 1000。(提示:使用动态规划或者中心扩散)

数据结构与算法面试题:给定一个字符串 s,找到 s 中最长的回文子串。你可以假设 s 的最大长度为 1000。(提示:使用动态规划或者中心扩散)

简介:给定一个字符串 s,找到 s 中最长的回文子串。你可以假设 s 的最大长度为 1000。(提示:使用动态规划或者中心扩散)

算法思路

算法思路:

回文串是一个正反读都相同的字符串,在本题中需要找到最长的回文子串。首先考虑暴力解法,枚举所有可能的子串,并判断是否为回文串。时间复杂度为O ( n 3 ) O(n^3)O(n3),无法通过本题。

因此可以使用动态规划和中心扩散两种方法来提高效率,其中较为简单的是中心扩散。我们发现,回文串是以中心对称的,可以想到从每个字符作为中心,向两边扩展找出回文串,然后取长度最长的作为答案。在具体实现时,注意回文串长度可能是奇数或偶数,属于两种情况,需要分别考虑。时间复杂度为O ( n 2 ) O(n^2)O(n2)。

下面是C++代码实现,注释已加入:

#include <iostream>
#include <string>
using namespace std;
// 中心扩散法寻找回文子串
string longestPalindrome(string s) {
    int n = s.size();
    if (n < 2) return s; // 字符串长度小于2则直接返回s
    int start = 0, len = 0; // 记录最长回文子串的起点和长度
    for (int i = 0; i < n; ++i) { // 枚举中心点i
        // 分别处理回文子串长度为奇数、偶数的情况
        for (int k = 0; k < 2; ++k) {
            int left = i, right = i + k;
            while (left >= 0 && right < n && s[left] == s[right]) {
                --left;
                ++right;
            }
            // 当前回文子串长度为(right - 1) - (left + 1) + 1 = right - left - 1
            int cur_len = right - left - 1;
            if (cur_len > len) { // 更新最长回文子串
                start = left + 1;
                len = cur_len;
            }
        }
    }
    return s.substr(start, len); // 返回最长回文子串
}
int main() {
    string s = "babad";
    string ans = longestPalindrome(s);
    cout << ans << endl;
    return 0;
}

其中,首先判断字符串长度是否小于2,如果是则直接返回原字符串。然后从每个字符位置分别向两边扩展,寻找回文子串。需要注意的是,在枚举中心点时需要分别处理回文子串长度为奇数和偶数的情况(即中间一个字符和中间两个字符),同时在扩展回文子串时需要判断左右指针是否越界,并且注意当前回文子串长度的计算方式。最后返回最长回文子串即可。

  • Java
public class Main {
    public static String longestPalindrome(String s) {
        int n = s.length();
        if (n < 2) return s;
        int start = 0, len = 0;
        for (int i = 0; i < n; ++i) {
            for (int k = 0; k < 2; ++k) {
                int left = i, right = i + k;
                while (left >= 0 && right < n && s.charAt(left) == s.charAt(right)) {
                    --left;
                    ++right;
                }
                int curLen = right - left - 1;
                if (curLen > len) {
                    start = left + 1;
                    len = curLen;
                }
            }
        }
        return s.substring(start, start + len);
    }
    public static void main(String[] args) {
        String s = "babad";
        String ans = longestPalindrome(s);
        System.out.println(ans); // "bab"
    }
}


相关文章
|
6月前
|
机器学习/深度学习 存储 算法
动态规划算法深度解析:0-1背包问题
0-1背包问题是经典的组合优化问题,目标是在给定物品重量和价值及背包容量限制下,选取物品使得总价值最大化且每个物品仅能被选一次。该问题通常采用动态规划方法解决,通过构建二维状态表dp[i][j]记录前i个物品在容量j时的最大价值,利用状态转移方程避免重复计算子问题,从而高效求解最优解。
691 1
|
存储 算法 Java
算法系列之动态规划
动态规划(Dynamic Programming,简称DP)是一种用于解决复杂问题的算法设计技术。它通过将问题分解为更小的子问题,并存储这些子问题的解来避免重复计算,从而提高算法的效率。
470 4
算法系列之动态规划
|
机器学习/深度学习 算法
扩散模型=进化算法!生物学大佬用数学揭示本质
在机器学习与生物学交叉领域,Tufts和Harvard大学研究人员揭示了扩散模型与进化算法的深刻联系。研究表明,扩散模型本质上是一种进化算法,通过逐步去噪生成数据点,类似于进化中的变异和选择机制。这一发现不仅在理论上具有重要意义,还提出了扩散进化方法,能够高效识别多解、处理高维复杂参数空间,并显著减少计算步骤,为图像生成、视频合成及神经网络优化等应用带来广泛潜力。论文地址:https://arxiv.org/pdf/2410.02543。
383 21
|
算法 Java C++
【潜意识Java】蓝桥杯算法有关的动态规划求解背包问题
本文介绍了经典的0/1背包问题及其动态规划解法。
471 5
基于梯度流的扩散映射卡尔曼滤波算法的信号预处理matlab仿真
本项目基于梯度流的扩散映射卡尔曼滤波算法(GFDMKF),用于信号预处理的MATLAB仿真。通过设置不同噪声大小,测试滤波效果。核心代码实现数据加载、含噪信号生成、扩散映射构建及DMK滤波器应用,并展示含噪与无噪信号及滤波结果的对比图。GFDMKF结合非线性流形学习与经典卡尔曼滤波,提高对非线性高维信号的滤波和跟踪性能。 **主要步骤:** 1. 加载数据并生成含噪测量值。 2. 使用扩散映射捕捉低维流形结构。 3. 应用DMK滤波器进行状态估计。 4. 绘制不同SNR下的轨迹示例。
|
算法 安全 调度
【动态规划篇】穿越算法迷雾:约瑟夫环问题的奇幻密码
【动态规划篇】穿越算法迷雾:约瑟夫环问题的奇幻密码
|
机器学习/深度学习 算法 测试技术
【动态规划篇】01 背包的逆袭:如何用算法装满你的 “财富背包”
【动态规划篇】01 背包的逆袭:如何用算法装满你的 “财富背包”
|
算法
动态规划算法学习三:0-1背包问题
这篇文章是关于0-1背包问题的动态规划算法详解,包括问题描述、解决步骤、最优子结构性质、状态表示和递推方程、算法设计与分析、计算最优值、算法实现以及对算法缺点的思考。
768 2
动态规划算法学习三:0-1背包问题
|
缓存 算法 Java
本文聚焦于Java内存管理与调优,介绍Java内存模型、内存泄漏检测与预防、高效字符串拼接、数据结构优化及垃圾回收机制
在现代软件开发中,性能优化至关重要。本文聚焦于Java内存管理与调优,介绍Java内存模型、内存泄漏检测与预防、高效字符串拼接、数据结构优化及垃圾回收机制。通过调整垃圾回收器参数、优化堆大小与布局、使用对象池和缓存技术,开发者可显著提升应用性能和稳定性。
304 6
|
算法 Python
在Python编程中,分治法、贪心算法和动态规划是三种重要的算法。分治法通过将大问题分解为小问题,递归解决后合并结果
在Python编程中,分治法、贪心算法和动态规划是三种重要的算法。分治法通过将大问题分解为小问题,递归解决后合并结果;贪心算法在每一步选择局部最优解,追求全局最优;动态规划通过保存子问题的解,避免重复计算,确保全局最优。这三种算法各具特色,适用于不同类型的问题,合理选择能显著提升编程效率。
312 2