LIS定义

LIS（Longest Increasing Subsequence）最长上升子序列
一个数的序列bi，当b1 < b2 < … < bS的时候，我们称这个序列是上升的。对于给定的一个序列(a1, a2, …, aN)，我们可以得到一些上升的子序列(ai1, ai2, …, aiK)，这里1 <= i1 < i2 < … < iK <= N。
比如，对于序列(1, 7, 3, 5, 9, 4, 8)，有它的一些上升子序列，如(1, 7), (3, 4, 8)等等。这些子序列中最长的长度是4，比如子序列(1, 3, 5, 8).
你的任务，就是对于给定的序列，求出最长上升子序列的长度。

两种解法

1.动态规划法

最长上升子序列具有最优子结构，这个问题可以分解为更小更简单的子问题，每个子问题的最优解可以得到总的最优解。例如对于序列（1,7,3,5，9,4,8）来说， dp[i]的值表示长度为i的序列的最长子序列。那么对于dp[i+1]来说，如果list[i+1] > list[i],可以的得到转移方程：

• if(list[i] > list[j]) dp[i] = Math.max(dp[i],dp[j]+1)；

核心代码如下：

	for(int i = 0;i < list.length;i++)dp[i] = 1;        //初始化dp数组，每个位置的最长子序列最低为1，即本身for(int i = 1;i < list.length;i++){for(int j = 0;j < i;j++){if(list[i] > list[j]){dp[i] = Math.max(dp[i],dp[j]+1);}}}

上面代码中dp[]数组存放的值就是当前位置的最长子序列。
结合一道例题: LeetCode300 最长上升子序列
https://leetcode-cn.com/problems/longest-increasing-subsequence/
题目描述：
给定一个无序的整数数组，找到其中最长上升子序列的长度。

示例:

输入: [10,9,2,5,3,7,101,18]
输出: 4
解释: 最长的上升子序列是 [2,3,7,101]，它的长度是 4。

根据之前的动态规划的思想，两层循环，dp[]数组存放当前位置最长子序列的长度，实现代码如下

class Solution {public int lengthOfLIS(int[] nums) {if(nums.length == 0)return 0;// Arrays.sort(nums);int[] dp = new int[nums.length];for(int i = 0;i < nums.length;i++)dp[i] = 1;for(int i = 1;i < nums.length;i++){for(int j = 0;j < i;j++){   //内层循环遍历之前的所有位置的最长子串，找到当前位置的最长子串长度if(nums[i] > nums[j])dp[i] = Math.max(dp[i],dp[j]+1);}}int ans = dp[0];for(int i = 1;i < dp.length;i++)ans = Math.max(ans,dp[i]);return ans;}
}

上面的算法时间复杂度为O(n^2)，空间复杂度为O(n)

2.贪心+二分查找

还是之前的例题，对于数组{1,7,3,5,9,4,8}来说，使用一个dp序列，存放当前的最长子序列

• {1}的最长子序列为1，此时dp={1}
• {1,7}此时，7>1,大于dp{}序列的最大值，构成非递减序列，可以把7加入数组中，此时dp= {1,7}
• {1,7,3}此时，对于3来说，和之前的序列无法构成上升序列，根据贪心的思想，我们要想让序列的长度尽可能的大，那么就应该让加进去的数字尽量小，这样才能保证后面加入的数字尽量多，所以当3 小于此时的边界值7的时候，我们应该在dp{}序列中，找到第一个大于3的数字，并用3替换它，这样可以保证当前的序列尽量小，可以加入的数字尽量多。
• {1,7,3,5}此时dp={1,3}, 5 > 3,将5加入到dp序列中，dp={1,3,5}
• 以此类推
• 。。。

最后dp={1,3,4,8}(最长序列不唯一，这里得到的是最小的序列)

LeetCode 300 最长子序列的贪心解法代码

class Solution {public int lengthOfLIS(int[] nums) {if(nums.length == 0)return 0;List<Integer> dp = new ArrayList<>();dp.add(nums[0]);for(int i = 1;i < nums.length;i++){if(nums[i] > dp.get(dp.size()-1)){dp.add(nums[i]);}else{int index = Collections.binarySearch(dp,nums[i]);if(index < 0){index = -index-1;dp.set(index,nums[i]);}}}return dp.size();}
}

这里算法的时间复杂度为O(nlogn)，因为在dp数组中查找第一个大于当前位置的值时，使用二分查找的方法，降低了一部分时间复杂度，查找的时间复杂度为O(logn),在上面的代码中，java容器提供了一个方法,Collections.binarySearch(dp,target),这个方法的返回值如下：

• 如果target存在在dp中，那么返回索引的下标
• 如果不存在，则返回应当存在的位置索引，即第一个大于target的位置索引，返回形式为 -index-1

补充：可以自己写一个二分查找的函数 upperBound(int [] num,int beg,int end ,int target)实现查找，具体代码如下：

	public static int upperBound(int[] num,int beg,int end,int target){while(beg < end){m = (int)(beg+end)/2;if(num[m] > target)end = m;elsebeg = m+1;}}