动态规划解最长递增子序列问题与数量统计

1. 最长递增子序列问题概述

最长递增子序列（Longest Increasing Subsequence, LIS）是动态规划领域的经典问题，也是算法面试中的高频考点。给定一个整数数组nums，我们需要找到其中最长的严格递增子序列的长度，并统计具有该长度的子序列的个数。

这个问题看似简单，但蕴含着动态规划思想的精髓。在实际应用中，LIS问题可以用于DNA序列比对、股票趋势分析、任务调度优化等多个领域。例如，在金融分析中，我们可以用LIS来识别一支股票价格的最长上涨周期；在生物信息学中，LIS算法可以帮助比较不同物种基因序列的相似性。

2. 基础解法：动态规划思路解析

2.1 状态定义与转移方程

对于基础的LIS问题（仅求长度），我们通常定义dp[i]表示以nums[i]结尾的最长递增子序列的长度。状态转移方程为：

code复制dp[i] = max(dp[j] + 1) for all j < i and nums[j] < nums[i]

这个方程的含义是：对于每个元素nums[i]，我们检查它之前的所有元素nums[j]，如果nums[j]小于nums[i]，那么nums[i]可以接在nums[j]后面形成更长的子序列。

2.2 统计子序列数量的扩展

为了统计最长递增子序列的个数，我们需要在原有dp数组的基础上，增加一个count数组。count[i]表示以nums[i]结尾的最长递增子序列的个数。

当更新dp[i]时：

1. 如果发现dp[j] + 1 > dp[i]，说明找到了更长的子序列，此时需要重置count[i]为count[j]
2. 如果dp[j] + 1 == dp[i]，说明找到了相同长度的不同子序列，此时count[i] += count[j]

2.3 初始化与边界条件

初始时，每个元素本身就是一个长度为1的子序列，因此：

• dp数组初始化为1（每个元素至少可以形成长度为1的子序列）
• count数组初始化为1（每个元素至少有一种方式形成长度为1的子序列）

3. 完整算法实现与代码解析

3.1 Python实现代码

python复制def findNumberOfLIS(nums):
    if not nums:
        return 0