python 最长递增子串：动态规划

最新推荐文章于 2026-05-05 09:42:47 发布

原创

最新推荐文章于 2026-05-05 09:42:47 发布 · 5.2k 阅读

标签

#python #动态规划 #最长递增子序列

本文通过动态规划解决最长递增子序列（LIS）问题，以数组str=[5, 3, 4, 8, 6, 7, 9]为例，解释如何利用状态转移公式if(str[m]>str[preIndex]): LIS[m]=max{ LIS[preIndex]+1 }找到最长递增子串，并提供Python代码实现。" 133258362,19453730,Python 3与xlrd库解析Excel文件教程,"['Python', 'Excel处理', '数据解析']

问题描述：

给定一个数组str=[5, 3, 4, 8, 6, 7,9]，求出其最长递增子串：LongestIncreaseSub=[3,4,6,7,9]

解决思路：

解决最长子序列（Longest Increase Subset, LIS）问题，使用动态规划（Dynamic Programming，DP），之前说到动态规划的规划（Programming）是表格的意思，是对递归的一种优化，递归是不管需不需要都进行重新计算，其计算复杂度极高，动态规划用表格（数组）来存储其之前的状态，当进行下一步计算的时候直接调用不需要重新计算。那么问题来了，动态规划需要确定两个点：状态、状态转移方式[1]。在这里从另一个角度说一下动态规划：

已知问题规模为n的已知条件Y，求解一个未知解X。（我们用Yn表示“问题规模为n的已知条件”）

此时，如果把问题规模降到0，即已知Y0，可以得到Y0->X.

如果从Y0添加一个元素，得到Y1的变化过程。即Y0->Y1; 进而有Y1->Y2; Y2->Y3; …… ; Yi->Yi+1. 这就是严格的归纳推理，也就是数学归纳法；

对于Yi+1，只需要它的上一个状态Yi即可完成整个推理过程（而不需要更前序的状态）。我们将这一模型称为马尔科夫链(自然语言处理中经常使用)。对应的推理过程叫做“贪心法”。

然而，Yi与Yi+1往往不是互为充要条件，随着i的增加，有价值的前提信息越来越少，我们无法仅仅通过上一个状态得到下一个状态，因此可以采用如下方案：{Y1->Y2}; {Y1, Y2->Y3}; {Y1,Y2,Y3->Y4};……; {Y1,Y2,...,Yi}->Yi+1. 对于Yi+1需要前面的所有前序状态才能完成推理过程, 高阶马尔科夫链。也就是DP的另一个解释。

借用文献[2]中一个形象的图就是: