序列DP算法精讲：从LIS到LCS的实战指南

1. 序列DP：从入门到精通的完整指南

动态规划（DP）是算法领域的核心思想之一，而序列DP则是其中最实用、最高频的类别。作为一名经历过上百场算法面试的老手，我深知序列DP在技术面试中的分量——几乎每场面试都会遇到1-2道相关题目。本文将带你系统掌握序列DP的各类问题解法，从基础概念到高级优化，全是干货。

2. 序列DP基础概念与核心思想

2.1 什么是序列DP

序列DP特指处理线性序列（如数组、字符串）的动态规划问题。这类问题的共同特点是：

1. 输入是一个序列（数字数组或字符串）
2. 需要求解与子序列/子串相关的某种最优解
3. 问题可以被分解为重叠子问题

典型应用场景包括：

• 文本相似度比较（LCS）
• 基因序列比对（编辑距离）
• 金融数据分析（最大子数组和）
• 自然语言处理（解码方法）

2.2 DP三要素在序列问题中的体现

任何DP问题都包含三个关键要素，序列DP也不例外：

1. 状态定义：如何用dp数组表示子问题的解

   • 一维dp[i]：通常表示以第i个元素结尾的解
   • 二维dp[i][j]：通常表示子序列i到j的解

2. 状态转移：如何从小问题的解推导大问题的解

   • 核心是找到dp[i]与dp[i-1]或dp[j]之间的关系
   • 通常需要比较序列中的元素

3. 初始条件：最小子问题的解

   • 空序列、单元素序列等边界情况
   • 二维DP中常常初始化对角线

提示：90%的序列DP难题都卡在状态定义上。好的状态定义应该能够包含所有必要信息，同时避免冗余。

3. 最长递增子序列(LIS)问题深度解析

3.1 经典LIS问题

LeetCode 300题要求找到最长严格递增子序列的长度。注意子序列不要求连续。

3.1.1 基础DP解法（O(n²)）

python复制def lengthOfLIS(nums):
    if not nums: return 0
    
    n = len(nums)
    dp = [1] * n  # 每个元素本身就是一个长度为1的子序列
    
    for i in range(n):
        for j in range(i):
            if nums[i] > nums[j]:
                dp[i] = max(dp[i], dp[j] + 1)
    
    return max(dp)

关键点解析：

1. dp[i]表示以nums[i]结尾的LIS长度
2. 对于每个i，检查所有j < i的元素
3. 如果nums[i] > nums[j]，则可以扩展以j结尾的子序列

复杂度分析：

• 时间复杂度：O(n²)（双重循环）
• 空间复杂度：O(n)（dp数组）

3.1.2 贪心+二分优化（O(n log n)）

python复制def lengthOfLIS_optimized(nums):
    if not nums: return 0
    
    tails = []  # tails[i]表示长度为i+1的LIS的最小末尾值
    
    for num in nums:
        # 二分查找第一个≥num的位置
        left, right = 0, len(tails)
        while left < right:
            mid = (left + right) // 2
            if tails[mid] < num:
                left = mid + 1
            else:
                right = mid
        
        if left == len(tails):
            tai