【动态规划】【字符串】【C++算法】940. 不同的子序列 II

简介: 【动态规划】【字符串】【C++算法】940. 不同的子序列 II

作者推荐

【动态规划】【广度优先搜索】【状态压缩】847 访问所有节点的最短路径

本文涉及知识点

动态规划汇总

LeetCode940. 不同的子序列 II

给定一个字符串 s,计算 s 的 不同非空子序列 的个数。因为结果可能很大,所以返回答案需要对 10^9 + 7 取余 。

字符串的 子序列 是经由原字符串删除一些(也可能不删除)字符但不改变剩余字符相对位置的一个新字符串。

例如,“ace” 是 “abcde” 的一个子序列,但 “aec” 不是。

示例 1:

输入:s = “abc”

输出:7

解释:7 个不同的子序列分别是 “a”, “b”, “c”, “ab”, “ac”, “bc”, 以及 “abc”。

示例 2:

输入:s = “aba”

输出:6

解释:6 个不同的子序列分别是 “a”, “b”, “ab”, “ba”, “aa” 以及 “aba”。

示例 3:

输入:s = “aaa”

输出:3

解释:3 个不同的子序列分别是 “a”, “aa” 以及 “aaa”。

参数范围

1 <= s.length <= 2000

s 仅由小写英文字母组成

动态规划

动态规划的状态表示

pre[j]表示前i个字符,以’a’+j 结尾的字符数量。dp[j]表示前i+1个字符,以’a’+j 结尾的字符数量。

动态规划的转移方程

{ 处理 i = 0 26 d p [ j ] + = p r e [ j ] 不选择 s [ i ] ,情况一 d p [ s [ i ] − ′ a ′ ] + = ∑ i = 0 26 p r e [ i ] + 1 , 选择 s [ i ] ,情况二 d p [ s [ i ] − ′ a ′ ] − = p r e [ s [ i ] − ′ a ′ ] 去掉重复 \begin{cases} 处理 \Large^{26}_{i=0} dp[j] += pre[j] & 不选择s[i] ,情况一\\ dp[s[i]-'a']+= \sum\Large_{i=0}^{26}pre[i] +1, & 选择s[i],情况二 \\ dp[s[i]-'a'] -= pre[s[i]-'a'] & 去掉重复 \end{cases}处理i=026dp[j]+=pre[j]dp[s[i]a]+=i=026pre[i]+1,dp[s[i]a]=pre[s[i]a]不选择s[i],情况一选择s[i],情况二去掉重复

情况一和情况二内部不会重复。结束字符不同不会重复,故只需要考虑结束字符相同。

任意 pre[s[i]-‘a’] 去掉最后一个字符换成s[i],都是合法的情况二。→ \rightarrow 结束字符相同的情况一,全部重复,排除。

选择的情况不能直接2i,否则会有重复。 那个1表示空串。

动态规划的填表顺序

i从1到大

动态规划的初始值

pre[s[0]-‘a’]=1,其它为0。

动态规划的返回值

∑ i = 0 26 \sum\Large_{i=0}^{26}i=026pre[i]

代码

核心代码

template<int MOD = 1000000007>
class C1097Int
{
public:
  C1097Int(long long llData = 0) :m_iData(llData% MOD)
  {
  }
  C1097Int  operator+(const C1097Int& o)const
  {
    return C1097Int(((long long)m_iData + o.m_iData) % MOD);
  }
  C1097Int& operator+=(const C1097Int& o)
  {
    m_iData = ((long long)m_iData + o.m_iData) % MOD;
    return *this;
  }
  C1097Int& operator-=(const C1097Int& o)
  {
    m_iData = (m_iData + MOD - o.m_iData) % MOD;
    return *this;
  }
  C1097Int  operator-(const C1097Int& o)
  {
    return C1097Int((m_iData + MOD - o.m_iData) % MOD);
  }
  C1097Int  operator*(const C1097Int& o)const
  {
    return((long long)m_iData * o.m_iData) % MOD;
  }
  C1097Int& operator*=(const C1097Int& o)
  {
    m_iData = ((long long)m_iData * o.m_iData) % MOD;
    return *this;
  }
  bool operator<(const C1097Int& o)const
  {
    return m_iData < o.m_iData;
  }
  C1097Int pow(long long n)const
  {
    C1097Int iRet = 1, iCur = *this;
    while (n)
    {
      if (n & 1)
      {
        iRet *= iCur;
      }
      iCur *= iCur;
      n >>= 1;
    }
    return iRet;
  }
  C1097Int PowNegative1()const
  {
    return pow(MOD - 2);
  }
  int ToInt()const
  {
    return m_iData;
  }
private:
  int m_iData = 0;;
};
class Solution {
public:
  int distinctSubseqII(string s) {
    vector<C1097Int<>> pre(26);
    pre[s.front() - 'a'] = 1;
    for (int i = 1; i < s.length(); i++)
    {
      vector<C1097Int<>> dp(26);
      C1097Int<> total = std::accumulate(pre.begin(), pre.end(), C1097Int<>(1));
      for (int j = 0; j < 26; j++)
      {
        if ('a' + j != s[i])
        {
          dp[j] += pre[j];
        }
        else
        {
          dp[j] += total;
        }
      }
      pre.swap(dp);
    }
    return std::accumulate(pre.begin(), pre.end(), C1097Int<>()).ToInt();
  }
};

测试用例

template<class T>
void Assert(const T& t1, const T& t2)
{
  assert(t1 == t2);
}
template<class T>
void Assert(const vector<T>& v1, const vector<T>& v2)
{
  if (v1.size() != v2.size())
  {
    assert(false);
    return;
  }
  for (int i = 0; i < v1.size(); i++)
  {
    Assert(v1[i], v2[i]);
  }
}
int main()
{ 
  string s;
  {
    Solution sln;
    s = "abc";
    auto res = sln.distinctSubseqII(s);
    Assert(res, 7);
  }
  {
    Solution sln;
    s = "aba";
    auto res = sln.distinctSubseqII(s);
    Assert(res, 6);
  }
  {
    Solution sln;
    s = "aaa";
    auto res = sln.distinctSubseqII(s);
    Assert(res, 3);
  }
  {
    Solution sln;
    s = "adddddddddddddddddddddddddd";
    auto res = sln.distinctSubseqII(s);
    Assert(res, 53);
  }
  {
    Solution sln;
    s = "ddddddddcdddddddfdddddddddedddddddddddddddd";
    auto res = sln.distinctSubseqII(s);
    Assert(res, 20611);
  }
  {
    Solution sln;
    s = "abcdefghijklmnopqrstuvwxyzzzzaaa";
    auto res = sln.distinctSubseqII(s);
    Assert(res, 671088636);
  }
  
}

2023年1月

class C1097Int

{

public:

C1097Int(int iData = 0) :m_iData(iData)

{

}
 C1097Int  operator+(const C1097Int& o)const
 {
   return C1097Int((m_iData + o.m_iData) % s_iMod);
 }
 C1097Int&  operator+=(const C1097Int& o)
 {
   m_iData = (m_iData + o.m_iData) % s_iMod;
   return *this;
 }
 C1097Int  operator*(const C1097Int& o)const
 {
   return((long long)m_iData *o.m_iData) % s_iMod;
 }
 C1097Int&  operator*=(const C1097Int& o)
 {
  m_iData =((long long)m_iData *o.m_iData) % s_iMod;
   return *this;
 }
 int ToInt()const
 {
   return m_iData;
 }

private:

int m_iData = 0;;

static const int s_iMod = 1000000007;

};

int operator+(int iData, const C1097Int& int1097)

{

int iRet = int1097.operator+(C1097Int(iData)).ToInt();

return iRet;

}

int& operator+=(int& iData, const C1097Int& int1097)

{

iData = int1097.operator+(C1097Int(iData)).ToInt();

return iData;

}

class Solution {

public:

int distinctSubseqII(string s) {

m_resutl.resize(26);

for (int i = 0; i < 26; i++)

{

m_resutl[i].assign(s.length() + 1, -1);

}

C1097Int ret = 0;

for (char ch = ‘a’; ch <= ‘z’; ch++)

{

ret += Rev(0, s, ch);

}

return ret.ToInt();

}

C1097Int Rev(int iBegin, const string& s,const char beginChar)

{

int& iResult = m_resutl[beginChar - ‘a’][iBegin];

if (-1 != iResult)

{

return iResult;

}

for (; (iBegin < s.length()) && (beginChar != s[iBegin]); iBegin++);

if (s.length() == iBegin)

{

return iResult=0;

}

C1097Int ret =1 ;

for (char ch = ‘a’; ch <= ‘z’; ch++)

{

ret += Rev(iBegin + 1, s, ch);

}

return iResult = ret.ToInt();

}

vector<vector> m_resutl;

};


相关文章
|
1月前
|
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。
49 2
|
2月前
|
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。
99 2
动态规划算法学习三:0-1背包问题
|
2月前
|
算法
两个字符串匹配出最长公共子序列算法
本文介绍了最长公共子序列(LCS)问题的算法实现,通过动态规划方法求解两个字符串的最长公共子序列,并提供了具体的编程实现细节和示例。
97 1
两个字符串匹配出最长公共子序列算法
|
2月前
|
算法
动态规划算法学习四:最大上升子序列问题(LIS:Longest Increasing Subsequence)
这篇文章介绍了动态规划算法中解决最大上升子序列问题(LIS)的方法,包括问题的描述、动态规划的步骤、状态表示、递推方程、计算最优值以及优化方法,如非动态规划的二分法。
79 0
动态规划算法学习四:最大上升子序列问题(LIS:Longest Increasing Subsequence)
|
2月前
|
算法
动态规划算法学习二:最长公共子序列
这篇文章介绍了如何使用动态规划算法解决最长公共子序列(LCS)问题,包括问题描述、最优子结构性质、状态表示、状态递归方程、计算最优值的方法,以及具体的代码实现。
167 0
动态规划算法学习二:最长公共子序列
|
2月前
|
存储 算法 C++
高精度算法(加、减、乘、除,使用c++实现)
高精度算法(加、减、乘、除,使用c++实现)
667 0
高精度算法(加、减、乘、除,使用c++实现)
|
2月前
|
存储 算法
动态规划算法学习一:DP的重要知识点、矩阵连乘算法
这篇文章是关于动态规划算法中矩阵连乘问题的详解,包括问题描述、最优子结构、重叠子问题、递归方法、备忘录方法和动态规划算法设计的步骤。
157 0
|
2月前
|
存储 算法 决策智能
【算法】博弈论(C/C++)
【算法】博弈论(C/C++)
|
2月前
|
存储 算法 C++
【算法】哈希映射(C/C++)
【算法】哈希映射(C/C++)
|
17天前
|
算法
基于WOA算法的SVDD参数寻优matlab仿真
该程序利用鲸鱼优化算法(WOA)对支持向量数据描述(SVDD)模型的参数进行优化,以提高数据分类的准确性。通过MATLAB2022A实现,展示了不同信噪比(SNR)下模型的分类误差。WOA通过模拟鲸鱼捕食行为,动态调整SVDD参数,如惩罚因子C和核函数参数γ,以寻找最优参数组合,增强模型的鲁棒性和泛化能力。
下一篇
DataWorks