那找到最长递增子序列后呢

找到最长递增子序列后，Vue diff算法会将其标记为已处理，并将其从新旧节点数组中剔除。然后，算法会将未处理的新节点按照原顺序插入到已处理的节点后面，形成一个新的节点数组。

接下来，算法会继续遍历未处理的旧节点，如果发现一个旧节点在已处理的节点中不存在，那么它就是一个需要被删除的节点。对于需要删除的节点，算法会在新节点数组中找到它的下一个兄弟节点，并将它们之间的所有节点标记为需要被删除。

最后，算法会在新节点数组中依次遍历每个节点，如果发现一个新节点在已处理的节点中不存在，那么它就是一个需要被插入的节点。对于需要插入的节点，算法会在旧节点数组中找到它的下一个兄弟节点，并将它们之间的所有节点标记为需要被插入。

通过上述步骤，Vue diff算法就可以得到新旧节点数组之间的差异，然后再根据差异来对DOM进行最小化的更新，提高了DOM更新的效率。

相关问题

把返回最长递增子序列的长度和最长递增子序列的函数分成两个函数写，并且返回最长递增子序列的函数的两个参数分别是原序列和最长递增子序列长度

好的，我可以帮你写这两个函数。下面是返回最长递增子序列的长度的函数：

def get_lis_length(nums):
    if not nums:
        return 0

    n = len(nums)
    dp = [1] * n

    for i in range(1, n):
        for j in range(i):
            if nums[i] > nums[j]:
                dp[i] = max(dp[i], dp[j] + 1)

    return max(dp)

而下面是返回最长递增子序列及其长度的函数：

def get_lis(nums):
    if not nums:
        return [], 0

    n = len(nums)
    dp = [[num] for num in nums]
    lis = []

    for i in range(1, n):
        for j in range(i):
            if nums[i] > nums[j] and len(dp[i]) < len(dp[j]) + 1:
                dp[i] = dp[j] + [nums[i]]

        if len(dp[i]) > len(lis):
            lis = dp[i]

    return lis, len(lis)

这里的 `get_lis` 函数除了返回最长递增子序列的长度外，还返回了最长递增子序列本身。同时，由于最长递增子序列可能不止一个，这里在计算最长递增子序列的过程中，记录了当前找到的最长递增子序列。

最长递增子序列 给出长度为n的数组,找出这个数组的最长递增子序列。 (递增子序列

最长递增子序列（Longest Increasing Subsequence，简称LIS）是一个经典的问题，在计算机科学和数学等领域都有广泛的应用。下面是求解最长递增子序列的一种动态规划算法：

假设给定的数组为a[0...n-1]。我们可以定义一个长度为n的数组dp，其中dp[i]表示以a[i]结尾的最长递增子序列的长度。显然，dp[0] = 1，因为以a[0]结尾的最长递增子序列只有一个元素a[0]。

对于任意的i（1 <= i < n），以a[i]结尾的最长递增子序列可以通过从前面的元素中选择一个小于a[i]的元素，并将其接在以该元素结尾的最长递增子序列的后面得到。因此，可以使用一个嵌套的循环来搜索前面的元素，并计算以a[i]结尾的最长递增子序列的长度：

for i = 1 to n-1 do
dp[i] = 1
for j = 0 to i-1 do
if a[j] < a[i] and dp[j]+1 > dp[i] then
dp[i] = dp[j]+1

在上面的算法中，第二层循环用于搜索前面的元素，如果找到一个小于a[i]的元素j，并且以a[j]结尾的最长递增子序列的长度加上1大于以a[i]结尾的最长递增子序列的长度，则更新dp[i]的值。

最终，最长递增子序列的长度就是dp数组中的最大值。需要注意的是，这个算法的时间复杂度为O(n^2)，可以通过使用二分查找优化到O(nlogn)。