1. 问题背景与理解第一次看到LeetCode 376题摆动序列这个标题时我脑海中浮现的是一条波浪形的曲线。这道题在动态规划分类中属于中等难度但实际解题时需要跳出常规思维模式。题目要求我们找出数组中最长的摆动子序列长度所谓摆动序列就是相邻元素的差值正负交替出现。举个例子对于数组[1,7,4,9,2,5]最长的摆动序列就是整个数组本身因为相邻元素的差值序列是(6,-3,5,-7,3)正负交替出现。而像[1,4,7,2,5]这样的数组最长摆动序列是[1,4,2,5]或者[1,7,2,5]长度都是4。2. 解题思路分析2.1 暴力解法与复杂度分析最直观的解法是枚举所有可能的子序列然后检查每个子序列是否是摆动序列。对于一个长度为n的数组子序列的数量是2^n因此这种解法的时间复杂度是O(2^n)显然无法处理较大规模的输入。2.2 动态规划解法更高效的解法是使用动态规划。我们可以定义两个状态数组up[i]表示以第i个元素结尾且最后一步是上升的最长摆动序列长度down[i]表示以第i个元素结尾且最后一步是下降的最长摆动序列长度状态转移方程如下如果nums[i] nums[j]则up[i] max(up[i], down[j] 1)如果nums[i] nums[j]则down[i] max(down[i], up[j] 1)这种解法的时间复杂度是O(n^2)空间复杂度是O(n)。2.3 优化解法实际上我们可以将空间复杂度优化到O(1)。只需要维护两个变量up当前上升摆动序列的最大长度down当前下降摆动序列的最大长度遍历数组时如果nums[i] nums[i-1]说明当前是上升趋势up down 1如果nums[i] nums[i-1]说明当前是下降趋势down up 1这种优化解法的时间复杂度是O(n)空间复杂度是O(1)。3. 代码实现与解析3.1 C实现class Solution { public: int wiggleMaxLength(vectorint nums) { if (nums.size() 2) return nums.size(); int up 1, down 1; for (int i 1; i nums.size(); i) { if (nums[i] nums[i-1]) { up down 1; } else if (nums[i] nums[i-1]) { down up 1; } } return max(up, down); } };3.2 Python实现def wiggleMaxLength(nums): if len(nums) 2: return len(nums) up down 1 for i in range(1, len(nums)): if nums[i] nums[i-1]: up down 1 elif nums[i] nums[i-1]: down up 1 return max(up, down)3.3 Java实现class Solution { public int wiggleMaxLength(int[] nums) { if (nums.length 2) return nums.length; int up 1, down 1; for (int i 1; i nums.length; i) { if (nums[i] nums[i-1]) { up down 1; } else if (nums[i] nums[i-1]) { down up 1; } } return Math.max(up, down); } }4. 边界条件与特殊情况处理4.1 空数组或单元素数组对于空数组应该返回0对于只有一个元素的数组摆动序列长度自然是1。这是最基础的边界条件。4.2 连续相等元素当数组中存在连续相等的元素时这些元素不会影响摆动序列的长度。例如[1,1,1,2,2,3,3,3,4]的最长摆动序列长度与[1,2,3,4]相同。4.3 单调递增或递减数组对于严格单调递增的数组如[1,2,3,4,5]最长摆动序列长度是2可以选第一个和第二个元素同样严格单调递减的数组也是如此。5. 算法复杂度分析5.1 时间复杂度优化后的解法只需要一次遍历数组因此时间复杂度是O(n)其中n是数组的长度。5.2 空间复杂度我们只使用了常数个额外变量up和down因此空间复杂度是O(1)。6. 实际应用场景摆动序列的概念在实际中有多种应用股票价格分析寻找价格波动较大的时期信号处理识别信号中的波动模式路径规划寻找交替上升下降的路径数据压缩用摆动序列表示数据的变化趋势7. 常见错误与调试技巧7.1 忽略连续相等元素很多初学者会错误地认为连续相等的元素会中断摆动序列。实际上它们应该被跳过不影响摆动序列的判断。7.2 初始化错误up和down的初始值应该都是1因为单个元素本身就是长度为1的摆动序列。有些同学会错误地初始化为0。7.3 比较符号错误在比较当前元素和前一个元素时容易混淆大于和小于符号。建议在写代码时添加明确的注释。8. 算法优化思路虽然我们已经将算法优化到O(n)时间复杂度和O(1)空间复杂度但还可以考虑以下优化提前终止如果在遍历过程中发现up或down已经达到数组长度可以提前结束循环并行计算对于超大数组可以考虑将数组分割后并行计算增量处理对于流式数据可以设计增量算法实时更新摆动序列长度9. 相关题目推荐为了加深对摆动序列问题的理解建议练习以下LeetCode题目最长递增子序列最长递增子序列的个数递增的三元子序列最长数对链10. 个人解题心得在实际解决这个问题时我最初尝试了动态规划的二维解法虽然正确但不够高效。后来通过观察发现只需要维护两个状态变量即可大大简化了代码。这让我意识到有时候问题的优化方向不一定是更复杂的算法而是寻找更简洁的状态表示方式。另一个收获是理解到摆动序列的本质是寻找序列中的转折点 - 即从上升到下降或从下降到上升的转折位置。这种理解帮助我在解决类似问题时能够更快地抓住关键。 动态规划解LeetCode摆动序列问题与优化
1. 问题背景与理解第一次看到LeetCode 376题摆动序列这个标题时我脑海中浮现的是一条波浪形的曲线。这道题在动态规划分类中属于中等难度但实际解题时需要跳出常规思维模式。题目要求我们找出数组中最长的摆动子序列长度所谓摆动序列就是相邻元素的差值正负交替出现。举个例子对于数组[1,7,4,9,2,5]最长的摆动序列就是整个数组本身因为相邻元素的差值序列是(6,-3,5,-7,3)正负交替出现。而像[1,4,7,2,5]这样的数组最长摆动序列是[1,4,2,5]或者[1,7,2,5]长度都是4。2. 解题思路分析2.1 暴力解法与复杂度分析最直观的解法是枚举所有可能的子序列然后检查每个子序列是否是摆动序列。对于一个长度为n的数组子序列的数量是2^n因此这种解法的时间复杂度是O(2^n)显然无法处理较大规模的输入。2.2 动态规划解法更高效的解法是使用动态规划。我们可以定义两个状态数组up[i]表示以第i个元素结尾且最后一步是上升的最长摆动序列长度down[i]表示以第i个元素结尾且最后一步是下降的最长摆动序列长度状态转移方程如下如果nums[i] nums[j]则up[i] max(up[i], down[j] 1)如果nums[i] nums[j]则down[i] max(down[i], up[j] 1)这种解法的时间复杂度是O(n^2)空间复杂度是O(n)。2.3 优化解法实际上我们可以将空间复杂度优化到O(1)。只需要维护两个变量up当前上升摆动序列的最大长度down当前下降摆动序列的最大长度遍历数组时如果nums[i] nums[i-1]说明当前是上升趋势up down 1如果nums[i] nums[i-1]说明当前是下降趋势down up 1这种优化解法的时间复杂度是O(n)空间复杂度是O(1)。3. 代码实现与解析3.1 C实现class Solution { public: int wiggleMaxLength(vectorint nums) { if (nums.size() 2) return nums.size(); int up 1, down 1; for (int i 1; i nums.size(); i) { if (nums[i] nums[i-1]) { up down 1; } else if (nums[i] nums[i-1]) { down up 1; } } return max(up, down); } };3.2 Python实现def wiggleMaxLength(nums): if len(nums) 2: return len(nums) up down 1 for i in range(1, len(nums)): if nums[i] nums[i-1]: up down 1 elif nums[i] nums[i-1]: down up 1 return max(up, down)3.3 Java实现class Solution { public int wiggleMaxLength(int[] nums) { if (nums.length 2) return nums.length; int up 1, down 1; for (int i 1; i nums.length; i) { if (nums[i] nums[i-1]) { up down 1; } else if (nums[i] nums[i-1]) { down up 1; } } return Math.max(up, down); } }4. 边界条件与特殊情况处理4.1 空数组或单元素数组对于空数组应该返回0对于只有一个元素的数组摆动序列长度自然是1。这是最基础的边界条件。4.2 连续相等元素当数组中存在连续相等的元素时这些元素不会影响摆动序列的长度。例如[1,1,1,2,2,3,3,3,4]的最长摆动序列长度与[1,2,3,4]相同。4.3 单调递增或递减数组对于严格单调递增的数组如[1,2,3,4,5]最长摆动序列长度是2可以选第一个和第二个元素同样严格单调递减的数组也是如此。5. 算法复杂度分析5.1 时间复杂度优化后的解法只需要一次遍历数组因此时间复杂度是O(n)其中n是数组的长度。5.2 空间复杂度我们只使用了常数个额外变量up和down因此空间复杂度是O(1)。6. 实际应用场景摆动序列的概念在实际中有多种应用股票价格分析寻找价格波动较大的时期信号处理识别信号中的波动模式路径规划寻找交替上升下降的路径数据压缩用摆动序列表示数据的变化趋势7. 常见错误与调试技巧7.1 忽略连续相等元素很多初学者会错误地认为连续相等的元素会中断摆动序列。实际上它们应该被跳过不影响摆动序列的判断。7.2 初始化错误up和down的初始值应该都是1因为单个元素本身就是长度为1的摆动序列。有些同学会错误地初始化为0。7.3 比较符号错误在比较当前元素和前一个元素时容易混淆大于和小于符号。建议在写代码时添加明确的注释。8. 算法优化思路虽然我们已经将算法优化到O(n)时间复杂度和O(1)空间复杂度但还可以考虑以下优化提前终止如果在遍历过程中发现up或down已经达到数组长度可以提前结束循环并行计算对于超大数组可以考虑将数组分割后并行计算增量处理对于流式数据可以设计增量算法实时更新摆动序列长度9. 相关题目推荐为了加深对摆动序列问题的理解建议练习以下LeetCode题目最长递增子序列最长递增子序列的个数递增的三元子序列最长数对链10. 个人解题心得在实际解决这个问题时我最初尝试了动态规划的二维解法虽然正确但不够高效。后来通过观察发现只需要维护两个状态变量即可大大简化了代码。这让我意识到有时候问题的优化方向不一定是更复杂的算法而是寻找更简洁的状态表示方式。另一个收获是理解到摆动序列的本质是寻找序列中的转折点 - 即从上升到下降或从下降到上升的转折位置。这种理解帮助我在解决类似问题时能够更快地抓住关键。