前言

• 大家好，我是新人简书博主：「 个人主页」主要分享程序员生活、编程技术、以及每日的LeetCode刷题记录，欢迎大家关注我，一起学习交流，谢谢！

  • 正在坚持每日更新LeetCode每日一题，发布的题解有些会参考其他大佬的思路(参考资料的链接会放在最下面)，欢迎大家关注我 ~ ~ ~
  • 今天是坚持写题解的17天(haha，从21年圣诞节开始的)，大家一起加油！

• 每日一题：LeetCode：334.递增的三元子序列

  • 时间：2022-01-12
  • 力扣难度：Medium
  • 个人难度：Medium
  • 数据结构：数组、LIS最长递增子序列
  • 算法：动态规划、贪心、二分查找

LeetCode每日一题.jpg

2022-01-12：LeetCode：334.递增的三元子序列

1. 题目描述

• 题目：原题链接

  • 给你一个整数数组 nums ，判断这个数组中是否存在长度为 3 的递增子序列。
  • 如果存在这样的三元组下标 (i, j, k) 且满足 ，使得 ，返回 true ，否则，返回 false。

• 输入输出规范

  • 输入：整数数组nums
  • 输出：布尔值，表示是否存在递增三元子序列

• 输入输出示例

  • 输入：nums = [2,1,5,0,4,6]
  • 输出：true

2. 方法一：动态规划

• 思路：序列DP + 二分优化复杂度

  • 本题是要判断给定的序列中是否存在长度为3的递增子序列，即是求序列的最长上升子序列(LIS)的长度是否大于3，类似于LC300最长递增子序列

  • 一般而言，LIS问题属于序列DP问题，都可以通过动态规划的思想来解决，其DP三要素也非常明确

    • DP数组：dp[i]表示以序列中的第 i 个元素结尾的最长上升子序列的长度
    • 边界条件：dp[i]初始化为1
    • 状态转移方程：if(nums[j] < nums[i]) dp[i] = Max(dp[i], dp[j] + 1) (j < i)

  • 最长上升子序列的长度求解

    • 两重遍历，外层dp[i]表示以 i 结尾的 LIS 的长度，并将最大值记录到 max 中
    • 内层dp[j]是局部结果，j 的范围是 [0, i)，也可以是(i, n)，此时状态转移方程需要简单变一下

    public int getLengthOfLIS(int[] nums) { 
        int n = nums.length;
        int max = 1;
        int[] dp = new int[n];
        Arrays.fill(dp, 1);
        for (int i = 0; i < n; i++) {
            for (int j = 0; j < i; j++) {
                if (nums[j] < nums[i])
                    dp[i] = Math.max(dp[j] + 1, dp[i]);
            }
            max = Math.max(max, dp[i]);
        }
        return max;
    }
    

• 题解：暴力动态规划，遍历过程中如果长度已经大于3直接返回true

  public boolean increasingTriplet(int[] nums) {
      if(nums == null || nums.length < 3) return false;
      int n = nums.length;
      int[] dp = new int[n];
      Arrays.fill(dp, 1);
      for (int i = 0; i < n; i++) {
          for (int j = i + 1; j < n; j++) {
              if (nums[j] > nums[i])
                  dp[j] = Math.max(dp[i] + 1, dp[j]);
          }
          if(dp[i] >= 3) return true;
      }
      return false;
  }
  

• 复杂度分析：n 是数组的长度

  • 时间复杂度：
  • 空间复杂度：

3. 方法二：动态规划 + 二分查找

• 思路

  • 方法一是LIS问题的常见思路，但是时间复杂度高，会发生TLE超时问题，此时要思考如何进行优化
  • LIS问题的最优解：动态规划 & 二分
    • 首先分析如何确保LIS最长，通过贪心的思想可以发现，当每次向LIS末尾添加的元素是剩余元素中尽可能小的元素时，LIS的增长速率就相对更低
    • 举例说明下，假设LIS的末尾添加了元素A(A > B)，那么后续向LIS添加的元素一定大于A，即也会大于B，此时相当于B被遗漏了，LIS不是最长的，所以要添加尽可能小的元素
  • DP数组
    • dp[i]表示指定的序列中，长度为 i 的最长上升子序列的最小结尾元素
    • DP数组是单调上升的，可以通过二分的方式查找该数组中的值
  • 边界条件：dp[0] = nums[0]，注意DP数组的个数是 n - 1 还是 n 个
  • 状态转移方程
    • 遍历序列时，如果当前元素大于dp[i]，将其添加到DP数组末尾dp[i+1]
    • 如果当前元素小于等于dp[i]，通过二分的方式查找当前元素应该放到的DP数组中的位置dp[i - 1] < nums[i] < dp[i]，并更新

• 图解

  
  
  LC334递增三元子序列-LIS最长递增子序列问题：动态规划&二分.png

• 题解：通过二分优化动态规划

  // 方法二：LIS最优解：动态规划（贪心） + 二分
  public boolean increasingTriplet2(int[] nums) {
      if (nums == null || nums.length < 3) return false;
      int n = nums.length;
      int[] dp = new int[n];
      dp[0] = nums[0];
      int len = 1;
      for (int i = 1; i < n; i++) {
          int num = nums[i];
          if (num > dp[len - 1]) {
              dp[len++] = num;
              if (len >= 3) return true;
              continue;
          }
          int left = 0, right = len - 1;
          while (left < right) {
              int mid = (right - left) / 2 + left;
              if (dp[mid] >= num) {
                  right = mid;
              } else {
                  left = mid + 1;
              }
          }
          dp[right] = num;
          if (len >= 3) return true;
      }
      return false;
  }
  

• 复杂度分析：n 是数组的长度

  • 时间复杂度：，遍历一次，内部嵌套二分查找，整体
  • 空间复杂度：

4. 方法二优化：状态压缩

• 思路

  • 首先总结下方法二的核心思想
    • 根据贪心的思想，维护一个动态规划DP数组来表示各个长度的LIS的末尾元素
    • 遍历序列的过程中，将大于末尾的元素直接添加，小于的二分查找并更新到DP数组中
  • 虽然这已经是LIS类型题目的最优解法了，但是本题有一个特殊之处，那就是并不是求解LIS最大长度，而是只需要判断该长度是否大于等于3即可
  • 因此，本题无需求解LIS最大长度，也不需要维护长度为 n 的DP数组，而仅需要维护两个变量：最小值、次小值即可
  • 通过这种状态压缩的方式，不仅使得空间优化到常量空间，同时也无需进行二分查找，只需要判断序列中是否有大于这两个值的元素，时间优化到

• 题解：状态压缩优化

  public boolean increasingTriplet(int[] nums) {
      if (nums == null || nums.length < 3) return false;
      int min = Integer.MAX_VALUE;
      int secondMin = Integer.MAX_VALUE;
      for (int num : nums) {
          if (num <= min) min = num;
          else if (num <= secondMin) secondMin = num;
          else return true;
      }
      return false;
  }
  

• 复杂度分析：n 是数组的长度

  • 时间复杂度：
  • 空间复杂度：

5. 方法三：动态规划存储左右侧最小最大值

• 思路

  • 此外，这里再介绍一种与LIS无关的方法，因为本题要求的是判断是否有递增三元子序列，所以可以使用类似LC42接雨水的解题方法
  • 具体而言，由于要找递增三元组，就可以等价于在序列中寻找一个元素，该元素左侧存在一个小于它的值，右侧存在一个大于它的值
  • 与接雨水一题不同的是，本题需要维护的左侧最小值和右侧最大值是数组，而不像接雨水中是单个数值
  • 因此，维护两个DP数组，分别存放左侧的最小值和右侧的最大值，left[i] 表示序列 [0, i) 中的最小值，right[i] 表示 (i, n)中的最大值
  • 遍历一次序列，计算出两个数组的每一个元素，如果两者满足left[i - 1] < nums[i] < right[i + 1]，表示找到了满足的三元组

• 题解：双向BFS

  // 方法三：另类的动态规划
  public boolean increasingTriplet(int[] nums) {
      if (nums == null || nums.length < 3) return false;
      int n = nums.length;
      // 左侧的最小值数组
      int[] leftMin = new int[n];
      leftMin[0] = nums[0];
      for (int i = 1; i < n; i++) {
          leftMin[i] = Math.min(leftMin[i - 1], nums[i]);
      }
      // 右侧的最大值数组
      int[] rightMax = new int[n];
      rightMax[n - 1] = nums[n - 1];
      for (int i = n - 2; i >= 0; i--) {
          rightMax[i] = Math.max(rightMax[i + 1], nums[i]);
      }
      // 寻找递增三元子序列
      for (int i = 1; i < n - 1; i++) {
          if (leftMin[i - 1] < nums[i] && rightMax[i + 1] > nums[i]) return true;
      }
      return false;
  }
  

• 复杂度分析：n 是数组的长度

  • 时间复杂度：
  • 空间复杂度：

最后

如果本文有所帮助的话，欢迎大家可以给个三连「点赞」&「收藏」&「关注」 ~ ~ ~
也希望大家有空的时候光临我的其他平台，上面会更新Java面经、八股文、刷题记录等等，欢迎大家光临交流，谢谢！

• 「个人博客」
• 「掘金」
• 「LeetCode」