题目一：
思路
本题相对于昨天的动态规划：300.最长递增子序列 (opens new window)最大的区别在于“连续”。
本题要求的是最长连续递增序列
#动态规划
动规五部曲分析如下：
- 确定dp数组（dp table）以及下标的含义
dp[i]：以下标i为结尾的数组的连续递增的子序列长度为dp[i] 。
注意这里的定义，一定是以下标i为结尾，并不是说一定以下标0为起始位置。
- 确定递推公式
如果 nums[i + 1] > nums[i]，那么以 i+1 为结尾的数组的连续递增的子序列长度 一定等于 以i为结尾的数组的连续递增的子序列长度 + 1 。
即：dp[i + 1] = dp[i] + 1;
注意这里就体现出和动态规划：300.最长递增子序列 (opens new window)的区别！
因为本题要求连续递增子序列，所以就必要比较nums[i + 1]与nums[i]，而不用去比较nums[j]与nums[i] （j是在0到i之间遍历）。
既然不用j了，那么也不用两层for循环，本题一层for循环就行，比较nums[i + 1] 和 nums[i]。
这里大家要好好体会一下！
- dp数组如何初始化
以下标i为结尾的数组的连续递增的子序列长度最少也应该是1，即就是nums[i]这一个元素。
所以dp[i]应该初始1;
- 确定遍历顺序
从递推公式上可以看出， dp[i + 1]依赖dp[i]，所以一定是从前向后遍历。
本文在确定递推公式的时候也说明了为什么本题只需要一层for循环，代码如下：
for (let i = 0; i < nums.length - 1; i++) {
if (nums[i + 1] > nums[i]) { // 连续记录
dp[i + 1] = dp[i] + 1; // 递推公式
}
}
- 举例推导dp数组
已输入nums = [1,3,5,4,7]为例，dp数组状态如下：
注意这里要取dp[i]里的最大值，所以dp[2]才是结果！
以上分析完毕，JS代码如下：
var findLengthOfLCIS = function(nums) {
let dp = new Array(nums.length).fill(1)
let result = 1
for (let i = 0; i < nums.length - 1; i++) {
if (nums[i] < nums[i + 1]) {
dp[i + 1] = dp[i] + 1
}
if (dp[i + 1] > result) {
result = dp[i + 1]
}
}
return result
};
- 时间复杂度：O(n)
- 空间复杂度：O(n)
#贪心
这道题目也可以用贪心来做，也就是遇到nums[i + 1] > nums[i]的情况，count就++，否则count为1，记录count的最大值就可以了。
代码如下：
const findLengthOfLCIS = nums => {
if (nums.length == 0) return 0;
int result = 1; // 连续子序列最少也是1
int count = 1;
for (let i = 0; i < nums.length - 1; i++) {
if (nums[i + 1] > nums[i]) { // 连续记录
count++;
} else { // 不连续，count从头开始
count = 1;
}
if (count > result) result = count;
}
return result;
}
};
- 时间复杂度：O(n)
- 空间复杂度：O(1)
#总结
本题也是动规里子序列问题的经典题目，但也可以用贪心来做，大家也会发现贪心好像更简单一点，而且空间复杂度仅是O(1)。
在动规分析中，关键是要理解和动态规划：300.最长递增子序列 (opens new window)的区别。
要联动起来，才能理解递增子序列怎么求，递增连续子序列又要怎么求。
概括来说：不连续递增子序列的跟前0-i 个状态有关，连续递增的子序列只跟前一个状态有关
本篇我也把区别所在之处重点介绍了，关键在递推公式和遍历方法上，大家可以仔细体会一波！
