1.编辑距离
编辑距离，又称Levenshtein距离（也叫做Edit Distance），是指两个字串之间，由一个转成另一个所需的最少编辑操作次数。许可的编辑操作包括将一个字符替换成另一个字符，插入一个字符，删除一个字符。俄罗斯科学家Vladimir Levenshtein在1965年提出这个概念。
例如将kitten一字转成sitting：
- sitten （k→s）
- sittin （e→i）
- sitting （→g）
最小编辑距离代码实例
View Code
二维数组最后一个元素值就是最小编辑距离，也就是6.
2.最长公共子序列
2.1问题定义
最长公共子序列，英文缩写为LCS（Longest Common Subsequence）。其定义是，一个序列 S ，如果分别是两个或多个已知序列的子序列，且是所有符合此条件序列中最长的，则 S 称为已知序列的最长公共子序列。而最长公共子串(要求连续)和最长公共子序列是不同的，因为最长公共子序列不要求子序列在原有序列中连续出现。
2.2解题思路
这种题目使用动态规划解决。为了节约重复求相同子问题的时间，引入一个数组，不管它们是否对最终解有用，把所有子问题的解存于该数组中，这就是动态规划法所采用的基本方法。所以此处引进一个二维数组c[][]，用c[i][j]记录X[i]与Y[j] 的LCS 的长度，b[i][j]记录c[i][j]是通过哪一个子问题的值求得的，以决定搜索的方向。
我们首先进行自底向上的递推计算，那么在计算c[i,j]之前，c[i-1][j-1]，c[i-1][j]与c[i][j-1]均已计算出来。此时我们根据X[i] = Y[j]还是X[i] != Y[j]，就可以计算出c[i][j]。具体思路如下
if(x[i]==y[j])//如果X[i] 和 Y[j]相等，那么c[i][j]的值可以通过1+c[i-1][j-1]得出。而c[i-1][j-1]已经推算出来。
c[i][j]=1+c[i-1][j-1]
else{//如果X[i] 和 Y[j]不相等，那么x[i]和y[j]的最长公共子序列可能是x[i]与y[j-1]的最长公共子序列，也可能是x[i-1]与y[j]的最长公共子序列，我们求其最大值
c[i][j]=max(c[i][j-1],c[i-1][j])
}我们上面的自底向上推算是在“c[i-1][j-1]，c[i-1][j]与c[i][j-1]已经计算出来后再求c[i,j]”这个前提下进行的。所以我们构建c[][]这个数组是从头开始的。在创建好c[][]以后我们需要初始化这个二维数组，c[0][0...n]=0，c[0...m][0]=0。这是为了便于计算后面的c[1][1]使用。用于表示x[1]和y[1]的最长公共子序列，但是我们发现字符数组char* x[]跟char* y[]是从下标0开始计算的，所以在这里x[i][j]表示的是x[i-1]和y[j-1]的最长公共子序列。
最后问题可以用递归式写成：
2.3最长公共子序列实例
View Code
根据上述解题思路给出代码实现
View Code
上述代码只给出了最长公共子序列的长度，但是没有输出最长公共子序列，如前所述我们需要通过一个b[][]来记录c[][]是由哪一步得到的。
- b[i][j]=0;//表示c[i][j]由c[i-1][j-1]+1得到
- b[i][j]=1;//表示c[i][j]由c[i][j-1]得到
- b[i][j]=-1;//表示c[i][j]由c[i-1][j]得到
这样在输出最长子序列的时候，我们从c[][]最后一个位置开始递归遍历。代码实现如下：
View Code
3.最长公共子串
3.1解体思路
找两个字符串的最长公共子串，这个子串要求在原字符串中是连续的。可以用动态规划来求解。我们采用一个二维矩阵来记录中间的结果。这个二维矩阵怎么构造呢？首先初始化这个二维数组c[][]，
- 如果x[0..i]=y[0]，则c[i][0]=1，否则c[i][0]=0
- 如果y[0..j]=x[0]，则c[0][j]=1，否则c[0][j]=0
然后计算c[i][j]的值，如果x[i]==y[j]，则c[i][j]=c[i-1][j-1]+1。
直接举个例子吧："ABCBDAB"和"BDCABA"(当然我们现在一眼就可以看出来最长公共子串是"AB"或"BD")
B D C A B A
A 0 0 0 1 0 1
B 1 0 0 0 2 0
C 0 0 1 0 0 0
B 1 0 0 0 1 0
D 0 2 0 0 0 0
A 0 0 0 1 0 1
B 1 0 0 0 2 0
3.2代码实现
View Code
4.最长递增子序列
4.1参考文献：
http://blog.csdn.net/hhygcy/article/details/3950158
4.2解题思路
既然已经说到了最长公共子序列，就把这个递增子序列也说了。同样的，这里subsequence表明了这样的子序列不要求是连续的。比如说有子序列{1, 9, 3, 8, 11, 4, 5, 6, 4, 19, 7, 1, 7 }，这样一个字符串的的最长递增子序列就是{1,3,4,5,6,7}或者{1,3,4,5,6,19}。
其实这个问题和前面的最长公共子序列问题还是有一定的关联的。
- 假设我们的初始的序列 S1= {1, 9, 3, 8, 11, 4, 5, 6, 4, 19, 7, 1, 7 }。
- 那我们从小到大先排序一下。得到了S1'={1, 1, 3, 4, 4, 5, 6, 7, 7 , 8, 9, 11, 19}。
这样我们再求S1和S1'的最长公共子序列就是S1的最长递增子序列了。这个过程还是比较直观的。但是这个不是这次要说的重点，这个问题有比较传统的做法的.
我们定义L(j)是一个优化的子结构,也就是最长递增子序列。那么L(j)和L(1..j-1)的关系可以描述成
L(j) = max {L(i), i<j && Ai<Aj } + 1; 也就是说L(j)等于之前所有的L(i)中最大的的L(i)加一。这样的L(i)需要满足的条件就是Ai<Aj。这个推断还是比较容易理解的。就是选择j之前所有的满足小于当前数组的最大值。
最后求max(L(j))就是最长递增子序列，需要注意的是L[len-1]并不一定是最长递增子序列的长度。
4.3代码实现
View Code
但是上面的 LIS和 LIS2两种实现都没有给出递增子序列本身，只给出了长度。而 LIS3能够输出一个子序列。举例说明其实现方式:
arry[]={5,2，8，9，3}
L[0...i] p[0...i]
1, 1, 1, 1, 1 -1, -1, -1, -1, -1
2, 2 0, 0
2 1
3 2
如上述所示，我们首先初始化数组L[]和p[]，其中L用于记录递增子序列的长度，而p[]用于回溯递增子序列，其中p[j]=i表示arry[i]->arry[j]是一个递增子序列。我们在L[]中能够求出递增子序列的长度max以及递增子序列的末尾元素所在位置k。然后通过k我们回溯数组p，因此这里使用了递归方式打印递增子序列。
本文转自xwdreamer博客园博客，原文链接：http://www.cnblogs.com/xwdreamer/archive/2011/06/21/2296995.html，如需转载请自行联系原作者
