sto riproducendo il mio algoritmo da here, in cui si tratta la sua logica:
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]
È possibile ottimizzare *1*
e *2*
utilizzando alberi di segmento o alberi indicizzati binari. Questi saranno utilizzati per elaborare in modo efficiente le seguenti operazioni sull'array num
:
- Dato
(x, v)
aggiungi v
a num[x]
(rilevante per *1*
);
- Dato
x
, trovare la somma num[1] + num[2] + ... + num[x]
(rilevante per *2*
).
Questi sono problemi banali per entrambe le strutture di dati.
Nota: Ciò avrà complessità O(n*k*log S)
, dove S
è il limite superiore per i valori nel vostro array. Questo può o non può essere abbastanza buono. Per renderlo O(n*k*log n)
, è necessario normalizzare i valori dell'array prima di eseguire l'algoritmo di cui sopra. Normalizzazione significa convertire tutti i valori dell'array in valori inferiori o uguali a n
. Quindi questo:
5235 223 1000 40 40
diventa:
4 2 3 1 1
questo può essere realizzato con una specie (mantenere gli indici originali).
mente mostrando il codice che hai trovato che ha complessità di O (n * k * log (n))? – taocp
Il collegamento del topcoder è ora corretto. Puoi trovarlo lì. –
È più facile pensare a questo senza provare a farlo subito con BIT. Spiego come: http://stackoverflow.com/questions/15057591/how-to-find-the-total-number-of-increasing-sub-sequences-of-certain-length-with/15058391#15058391 – IVlad