我试图理解在时间 O(n k log(n)) 中为我提供数组中长度为 K 的递增子序列数量的算法。我知道如何使用 O(k*n^2) 算法来解决同样的问题。我查了一下,发现这个解决方案使用 BIT (Fenwick Tree) 和 DP。我也找到了一些代码,但我一直无法理解。
以下是我访问过的一些有用的链接。
如果有人能帮助我理解这个算法,我将不胜感激。
我试图理解在时间 O(n k log(n)) 中为我提供数组中长度为 K 的递增子序列数量的算法。我知道如何使用 O(k*n^2) 算法来解决同样的问题。我查了一下,发现这个解决方案使用 BIT (Fenwick Tree) 和 DP。我也找到了一些代码,但我一直无法理解。
以下是我访问过的一些有用的链接。
如果有人能帮助我理解这个算法,我将不胜感激。
我正在从这里复制我的算法,其中解释了它的逻辑:
dp[i, j] = same as before num[i] = how many subsequences that end with i (element, not index this time)
have a certain length
for i = 1 to n do dp[i, 1] = 1
for p = 2 to k do // for each length this time num = {0}
for i = 2 to n do
// note: dp[1, p > 1] = 0
// how many that end with the previous element
// have length p - 1
num[ array[i - 1] ] += dp[i - 1, p - 1] *1*
// append the current element to all those smaller than it
// that end an increasing subsequence of length p - 1,
// creating an increasing subsequence of length p
for j = 1 to array[i] - 1 do *2*
dp[i, p] += num[j]
您可以优化*1*
和*2*
使用分段树或二叉索引树。这些将用于有效地处理num
数组上的以下操作:
(x, v)
添加v
到num[x]
(相关*1*
);x
,求总和num[1] + num[2] + ... + num[x]
(与 相关*2*
)。对于这两种数据结构来说,这些都是微不足道的问题。
注意:这将具有复杂性O(n*k*log S)
,S
数组中的值的上限在哪里。这可能不够好,也可能不够好。为此O(n*k*log n)
,您需要在运行上述算法之前对数组的值进行规范化。规范化意味着将所有数组值转换为小于或等于的值n
。所以这:
5235 223 1000 40 40
变成:
4 2 3 1 1
这可以通过排序来完成(保留原始索引)。