这篇我们看看最长公共子序列的另一个版本，求字符串相似度(编辑距离)，我也说过了，这是一个非常实用的算法，在DNA对比，网
页聚类等方面都有用武之地。
一：概念
对于两个字符串A和B，通过基本的增删改将字符串A改成B，或者将B改成A，在改变的过程中我们使用的最少步骤称之为“编辑距离”。
比如如下的字符串：我们通过种种操作，痉挛之后编辑距离为3，不知道你看出来了没有？
二：解析
可能大家觉得有点复杂，不好理解，我们试着把这个大问题拆分掉，将"字符串 vs 字符串“，分解成”字符 vs 字符串“，再分解
成”字符 vs 字符“。
<1> ”字符“vs”字符“
这种情况是最简单的了，比如”A“与”B“的编辑距离很显然是1。
<2> ”字符”vs"字符串"
”A“改成”AB“的编辑距离为1，“A”与“ABA”的编辑距离为2。
<3>“字符串”vs“字符串”
“ABA”和“BBA”的编辑距离为1，仔细发现我们可以得出如下结论，”ABA“是由23个子序列与”BBA“字符串求的的编辑距离集
合中取出的最小编辑距离，也就是说在这种情况下我们出现了重复计算的问题，我在求子序列”AB“和”BBA"的编辑距离时，我是由
子序列”A“和”BBA“与”B“和”BBA“之间的编辑距离中选出一个最小值，然而序列A和序列B早之前我已经计算过了，这种重复计算
的问题有点像”斐波那契”，正好满足“动态规划”中的最优子结构和重叠子问题，所以我们决定采用动态规划来解决。
三：公式
跟“最长公共子序列”一样，我们采用一个二维数组来保存字符串X和Y当前的位置的最小编辑距离。
现有两个序列X={x1,x2,x3，...xi}，Y={y1,y2,y3，....，yi}，
设一个C[i,j]: 保存Xi与Yj的当前最小的LD。
①： 当 Xi = Yi 时，则C[i,j]=C[i-1,j-1]；
②：当 Xi != Yi 时， 则C[i,j]=Min{C[i-1,j-1],C[i-1,j],C[i,j-1]}；
最终我们的C[i,j]一直保存着最小的LD。