动态规划解决LeetCode 1458：最大子序列点积问题

1. 问题解析与动态规划思路

LeetCode 1458题要求我们找到两个数组nums1和nums2的非空子序列，使得它们的点积最大化。子序列的定义是保持相对顺序但不要求连续的元素序列。这道题的核心在于如何高效地遍历所有可能的子序列组合并计算最大点积。

1.1 问题重述与示例分析

给定两个数组nums1和nums2，我们需要找到：

• nums1的一个子序列sub1
• nums2的一个子序列sub2
  满足len(sub1) == len(sub2)，并且sub1·sub2（点积）的值最大

示例：
nums1 = [2,1,-2,5], nums2 = [3,0,-6]
最大点积来自子序列[2,-2]和[3,-6]：
23 + (-2)(-6) = 6 + 12 = 18

1.2 暴力解法的时间复杂度

最直观的方法是枚举所有可能的子序列组合：

• 对于nums1的所有非空子序列（2^m-1种）
• 对于nums2的所有长度匹配的非空子序列（2^n-1种）
• 计算每对子序列的点积

这种暴力解法的时间复杂度是O(2^(m+n))，对于m=n=20时就已经超过10^12次操作，显然不可行。

1.3 动态规划可行性分析

观察到这个问题具有两个关键特性：

1. 最优子结构：最大点积的解可以由子问题的解构建
2. 重叠子问题：在递归求解过程中会重复计算相同的子问题

这提示我们可以使用动态规划来解决。具体来说，我们可以定义dp[i][j]表示考虑nums1前i个元素和nums2前j个元素时能获得的最大点积。

2. 动态规划解法详解

2.1 状态定义与转移方程

定义dp[i][j]为考虑nums1[0..i-1]和nums2[0..j-1]时的最大点积。状态转移需要考虑四种情况：

1. 不使用nums1[i-1]和nums2[j-1]：dp[i-1][j-1]
2. 只使用nums1[i-1]和nums2[j-1]：nums1[i-1]*nums2[j-1]
3. 使用nums1[i-1]但不使用nums2[j-1]：dp[i][j-1]
4. 使用nums2[j-1]但不使用nums1[i-1]：dp[i-1][j]

因此转移方程为：
dp[i][j] = max(
dp[i-1][j-1],
nums1[i-1]*nums2[j-1],
dp[i][j-1],
dp[i-1][j],
dp[i-1][j-1] + nums1[i-1]*nums2[j-1] # 关键：考虑延续之前的子序列
)

2.2 初始化边界条件

需要初始化dp[0][j]和dp[i][0]为负无穷，因为空子序列不符合题目要求。但dp[0][0]可以设为0作为起点。

2.3 实现步骤示例

以nums1 = [2,1,-2,5], nums2 = [3,0,-6]为例：

1. 初始化dp表格为4x3大小（len(nums1)+1 x len(nums2)+1）
2. 填充第一行和第一列为-INF，dp[0][0]=0
3. 按顺序填充表格：
   • dp[1][1] = max(0, 2*3, -INF, -INF, 0+6) = 6
   • dp[1][2] = max(6, 2*0, -INF, dp[0][2], 6+0) = 6
   • ...
4. 最终dp[4][3]就是答案

2.4 空间优化技巧

由于dp[i][j]只依赖于左边、上边和左上方的值，可以将空间复杂度从O(mn)优化到O(min(m,n))。只需维护前一行的dp值即可。

3. 代码实现与复杂度分析

3.1 Python实现代码

python复制def maxDotProduct(nums1, nums2):
    m, n = len(nums1), len(nums2)
    dp = [[-float('inf')] * (n + 1) for _ in range(m + 1)]
    
    for i in range(1, m + 1):
        for j in range(1, n + 1):
            curr = nums1[i-1] * nums2[j-1]
            dp[i][j] = max(
                dp[i-1][j-1] + curr,
                curr,
                dp[i-1][j],
                dp[i][j-1],
                dp[i-1][j-1]
            )
    
    return dp[m][n]

3.2 复杂度分析

时间复杂度：O(mn)，需要填充m×n的dp表格
空间复杂度：O(mn)，可以优化到O(min(m,n))

3.3 边界情况处理

需要特别处理的情况：

1. 所有点积都为负数时，选择绝对值最小的负数乘积
2. 一个数组全正一个全负时，选择长度1的子序列
3. 空数组输入（题目保证非空）

4. 常见错误与调试技巧

4.1 典型错误模式

1. 忘记初始化边界条件导致错误
2. 转移方程遗漏了dp[i-1][j-1] + curr的情况
3. 空间优化时更新顺序错误
4. 没有正确处理全负数的情况

4.2 调试检查清单

当遇到错误时，可以：

1. 打印dp表格检查中间值
2. 用小例子手动计算验证
3. 检查是否所有转移情况都考虑到了
4. 验证边界条件是否正确处理

4.3 测试用例建议

建议测试这些情况：

1. 常规用例：nums1 = [2,1,-2,5], nums2 = [3,0,-6]
2. 全负数用例：nums1 = [-1,-2], nums2 = [-3,-4]
3. 混合符号用例：nums1 = [1,-2,3], nums2 = [-1,2,-3]
4. 单元素用例：nums1 = [5], nums2 = [10]
5. 长数组用例：测试性能

5. 算法优化与变种思考

5.1 可能的优化方向

1. 提前终止：如果发现剩余元素无法改善当前最大值，可以提前结束
2. 预处理：找出正数和负数分别处理
3. 并行计算：大数组时可以分块并行计算

5.2 相关变种问题

1. 限制子序列长度：要求子序列长度恰好为k
2. 多个数组的点积：扩展到三个或更多数组
3. 带权点积：元素乘积有额外权重

5.3 实际应用场景

这种类型的动态规划可以应用于：

1. 生物信息学中的序列对齐
2. 金融时间序列的模式匹配
3. 信号处理中的滤波器设计
4. 推荐系统中的用户偏好匹配

提示：在面试中遇到这类问题时，建议先从小例子出发，明确状态定义，再推导转移方程，最后考虑优化。不要一开始就尝试写代码。