1. 最长递增子序列问题概述
最长递增子序列（Longest Increasing Subsequence, LIS）是算法领域的一个经典问题。给定一个整数数组，我们需要找到其中最长的严格递增子序列的长度。这里的"子序列"不要求连续，但必须保持原始顺序。
举个例子，对于数组 [10,9,2,5,3,7,101,18]，最长的递增子序列是 [2,3,7,101]，因此长度为4。这个问题看似简单，但蕴含着丰富的算法思想，是理解动态规划和贪心算法的绝佳案例。
2. 动态规划解法详解
2.1 基本思路与状态定义
动态规划解法的核心在于定义合适的状态和状态转移方程。我们定义dp[i]表示以nums[i]结尾的最长递增子序列的长度。这样定义的好处是，我们可以利用之前计算的结果来推导当前状态。
初始化时，每个元素本身就是一个长度为1的子序列，因此所有dp[i]初始值都为1。然后，对于每个元素nums[i]，我们检查它之前的所有元素nums[j]（j < i），如果nums[i] > nums[j]，说明nums[i]可以接在nums[j]后面形成更长的子序列。
2.2 完整代码实现与解析
java复制class Solution {
public int lengthOfLIS(int[] nums) {
int n = nums.length;
int[] dp = new int[n];
Arrays.fill(dp, 1); // 每个元素至少可以单独构成一个子序列
int maxLen = 1;
for (int i = 1; i < n; i++) {
for (int j = 0; j < i; j++) {
if (nums[i] > nums[j]) {
dp[i] = Math.max(dp[i], dp[j] + 1);
}
}
maxLen = Math.max(maxLen, dp[i]);
}
return maxLen;
}
}
2.3 时间复杂度与空间复杂度分析
这个解法的时间复杂度是O(n²)，因为对于每个元素，我们需要检查它之前的所有元素。空间复杂度是O(n)，用于存储dp数组。
注意：虽然这个解法不是最优的，但它思路直观，容易理解，适合作为入门解法。在实际面试中，如果时间有限，可以先给出这个解法，再考虑优化。
3. 贪心+二分查找优化解法
3.1 贪心思想的核心
贪心算法的核心思想是：我们希望递增子序列增长得尽可能慢，这样后面的元素有更大的机会接在序列后面。为此，我们维护一个数组d，其中d[i]表示长度为i的递增子序列的最小末尾元素。
3.2 算法流程详解
- 初始化d数组，d[1] = nums[0]，len = 1
- 遍历数组中的每个元素nums[i]：
- 如果nums[i] > d[len]，直接将其加入d数组末尾，len++
- 否则，在d数组中找到第一个大于等于nums[i]的位置，用nums[i]替换该位置的元素
3.3 二分查找的巧妙应用
java复制class Solution {
public int lengthOfLIS(int[] nums) {
int len = 1, n = nums.length;
if (n == 0) return 0;
int[] d = new int[n + 1];
d[len] = nums[0];
for (int i = 1; i < n; ++i) {
if (nums[i] > d[len]) {
d[++len] = nums[i];
} else {
int left = 1, right = len, pos = 0;
while (left <= right) {
int mid = (left + right) >> 1;
if (d[mid] < nums[i]) {
pos = mid;
left = mid + 1;
} else {
right = mid - 1;
}
}
d[pos + 1] = nums[i];
}
}
return len;
}
}
3.4 为什么这个解法是正确的？
这个解法的关键在于：虽然我们修改了d数组中的元素，但这并不影响最终结果。因为我们只关心最长子序列的长度，而不需要知道具体的子序列是什么。通过保持d数组中的元素尽可能小，我们为后续的元素提供了更大的增长空间。
4. 两种解法的对比与选择
4.1 时间复杂度对比
- 动态规划：O(n²)
- 贪心+二分：O(nlogn)
对于n=2500的情况，动态规划解法需要进行约6百万次操作，而贪心解法只需要约3万次操作，效率差异显著。
4.2 适用场景分析
-
动态规划解法：
- 优点：思路直观，易于理解和实现
- 缺点：时间复杂度较高
- 适用：小规模数据或对时间复杂度要求不高的场景
-
贪心+二分解法：
- 优点：时间复杂度最优
- 缺点：思路较难理解，实现稍复杂
- 适用：大规模数据或对性能要求高的场景
4.3 实际应用中的选择建议
在面试或竞赛中，如果时间允许，建议先实现动态规划解法，确保正确性，然后再考虑优化为贪心+二分解法。在实际工程应用中，如果数据规模较大，应优先选择贪心+二分解法。
5. 常见问题与调试技巧
5.1 边界条件处理
- 空数组输入：应返回0
- 所有元素相同：应返回1
- 严格递增：注意题目要求的是严格递增（不能有相等）
5.2 调试技巧
- 打印dp数组或d数组的中间状态，观察其变化过程
- 对于贪心解法，可以记录每次替换的位置，验证替换是否合理
- 使用小规模测试用例手动计算预期结果，与程序输出对比
5.3 常见错误
- 初始化错误：忘记将dp数组初始化为1
- 状态转移条件错误：混淆了大于和大于等于
- 二分查找实现错误：边界条件处理不当导致死循环或错误结果
- 数组越界：特别是在处理d数组时，注意索引从1开始
提示：在实现贪心解法时，可以先用线性查找代替二分查找，确保逻辑正确后再优化为二分查找，这样可以降低调试难度。
6. 算法扩展与变种问题
6.1 输出具体的最长子序列
如果需要输出具体的最长子序列而不仅仅是长度，可以在动态规划解法中额外维护一个prev数组，记录每个元素的前驱节点，最后反向追踪即可。
6.2 最长非递减子序列
如果题目改为允许相等（非递减），只需将状态转移条件中的">"改为">="即可。
6.3 二维LIS问题
有些问题可以转化为LIS问题，如俄罗斯套娃信封问题（LeetCode 354），需要先对一维排序，然后在另一维上求LIS。
7. 个人实践心得
在实际编码中，我发现贪心+二分解法虽然效率高，但确实不容易一次写对。有几个关键点需要注意：
- d数组的索引从1开始，这样len可以直接表示当前最大长度
- 二分查找时，要明确查找的是第一个大于等于当前元素的位置
- 替换操作要确保不会破坏数组的单调性
我建议在理解这个算法时，可以用纸笔模拟几个例子，观察d数组的变化过程。例如对于输入[3,5,6,2,5,4,7]，d数组的变化如下：
初始：d = [ ,3]
处理5：d = [ ,3,5]
处理6：d = [ ,3,5,6]
处理2：d = [ ,2,5,6]
处理5：d不变
处理4：d = [ ,2,4,6]
处理7：d = [ ,2,4,6,7]
通过这样的模拟，可以更直观地理解算法的运作原理。