Longest Increasing Subsequence（LIS）问题是一类常见的可使用Dynamic Programming解决的算法问题。这个问题是指在一个数字序列中，找到最大个数升序排列的子序列。比如有一个数字序列:

S = {8, 4, 1, 7, 6, 2, 0, 5, 3}

它的LIS就是（1，2，3）和（1，2，5）。除了这个定义以外，还有一种定义叫Longest Increasing Run（不知道怎么翻译），它是指找到相邻的最大个数升序排列的子序列。比如上面的序列中的（1，7）和（0，5）。

        显然找到一个Longest Increasing Run是非常容易的，而找到一个LIS却不怎么简单。

        为了应用Dynamic Programming，我们这里需要建立一个递归来计算最长序列的长度。这里有两种不同时间复杂度的算法：

for i = 1 to total-1
  for j = i+1 to total
    if height[j] > height[i] then
      if length[i] + 1 > length[j] then
        length[j] = length[i] + 1
        predecessor[j] = i

        这个算法的时间复杂度为O（n²）。举个例子来演示这个算法，取一个序列如下:

height = {9, 5, 2, 8, 7, 3, 1, 6, 4}
length = {1, 1, 1, 1, 1, 1, 1, 1, 1}
predecessor = {nil, nil, nil, nil, nil, nil, nil, nil, nil}

然后使用这个算法，可以得到如下的结果:

height = {9, 5, 2, 8, 7, 3, 1, 6, 4}
length = {1, 1, 1, 2, 2, 2, 1, 3, 3}
predecessor = {nil, nil, nil, 2, 2, 3, nil, 6, 6}

        另外还有一种O(n log k)的算法，其中k是实际LIS的长度。算法使用一个升序排列的序列A来存储整个LIS。A的初试状态为1个负无穷大和n－1个正无穷大组成的数组。我们要做的就是对整个序列来一次遍历，然后把每个数放到A中去看它是否是属于这个LIS，如果是就把它插入其中。这里所谓是否属于就是指从A的第一个非无穷大的数往前看，如果找到这个一个位置，即前面的数小于这个待插入的数，且后一个数大于那个数。插入的方法就是把后面的那个数替代掉即可。这种查找使用的是Binary Search，它时间复杂度为O(log k)。所以最终整个算法的时间复杂度为O(n log k)。下面给出一个例子：

   0  1  2  3  4  5  6  7  8
a    -7,10, 9, 2, 3, 8, 8, 1

A -i  i, i, i, i, i, i, i, i
A -i -7, i, i, i, i, i, i, i (1)
A -i -7,10, i, i, i, i, i, i (2)
A -i -7, 9, i, i, i, i, i, i (3)
A -i -7, 2, i, i, i, i, i, i (4)
A -i -7, 2, 3, i, i, i, i, i (5)
A -i -7, 2, 3, 8, i, i, i, i (6)
A -i -7, 2, 3, 8, i, i, i, i (7)
A -i -7, 1, 3, 8, i, i, i, i (8)

参考资料：http://www.comp.nus.edu.sg/~stevenha/programming/prog_dynamicprogramming.html
                    http://www2.toki.or.id/book/AlgDesignManual/BOOK/BOOK2/NODE47.HTM