根据说明和C代码，填充C代码中的空（1）～（4）。

根据题目的描述和提供的代码片段，我们可以按照以下步骤进行解析和填充：

一、问题1的解答：

（1）对于数组b的初始值设定，我们知道b[i]表示以a[i]为结尾的最长递增子序列的长度。对于第一个元素a[0]，其自身就是一个最长递增子序列，所以b[0]应该被赋值为1。
（2）在双重循环中，要保证内层循环的j小于外层循环的i，这样才能保证数组b的更新顺序是从前往后的。
（3）在比较a[j]和a[i]时，我们需要保证a[j]小于等于a[i]，这样才能保证从a[j]到a[i]是一个递增的子序列。
（4）对于每个元素a[i]，我们需要找到在其之前的所有小于等于它的元素中最大的b值（即最长递增子序列的长度），然后在此基础上加1（包括当前元素自身），更新b[i]。这就是状态转移方程的实现。

二、问题2的解答：

该算法采用了动态规划的设计策略。动态规划是一种通过状态转移方程求解问题的最优解的方法。在这个问题中，我们通过不断更新b数组的值来逐步求解最长递增子序列的长度。时间复杂度为O(n^2)，因为算法中包含了两层循环。外层循环遍历数组的每个元素，内层循环则用于寻找每个元素之前的所有小于等于它的元素。因此总的时间复杂度是O(n^2)。空间复杂度为O(n)，因为我们需要一个额外的数组b来存储每个元素对应的最长递增子序列的长度。因此答案是：（5）动态规划法；（6）时间复杂度为 O(n^2)。其中n为数组的长度。在Python语言中，时间复杂度中的O符号用来表示该算法的执行时间随着输入数据的增加而按照某种固定比例增长的趋势。在计算机科学中，时间复杂度是衡量算法性能的重要指标之一。它描述了算法执行时间与输入数据规模之间的关系。对于这个问题中的最长递增子序列问题来说O(n^2)意味着算法的执行时间会随着输入数据规模的增加而按照二次方的比例增长即算法的执行时间是输入数据规模的平方的线性函数这表明该算法在规模较大时可能会面临性能瓶颈因此需要优化算法以提高效率。三、问题三解答已知数组 a={3 10 5 15 6 8}，根据说明和 C 代码可知数组 b 的元素值为 {1 2 2 3 3 4}。具体解析如下：首先初始化 b 数组的所有元素为 0 或其他特定值（这里假设为 0）。然后遍历数组 a 中的每个元素 a[i]，对于每个元素 a[i]，再遍历其之前的所有元素 a[j]（其中 j < i），并判断 a[j] 是否小于或等于 a[i]，如果满足条件并且以 a[j] 为结尾的最长递增子序列长度大于当前 b[i]，则更新 b[i]。最后输出 b 数组的值即为所求结果。因此根据题目给出的数组 a 的值我们可以得到对应的 b 数组的元素值分别为：对于 a 中的第一个元素 3 后面没有其他元素所以 b 中对应的值为 1 对于第二个元素 10 后面有两个元素比它小分别是 a 中的第二个和第三个元素所以以第二个元素结尾的最长递增子序列长度为这两个元素的 b 值加一的较大值即 max(b 中的第二个元素的当前值即第二长的递增子序列长度加一第三个元素的当前值即第三长的递增子序列长度加一的最大值加在第二个元素的 b 值上即第二个元素的 b 值变为这个最大值加一再以此类推即可得出最后的 b 数组的值即最终的最长递增子序列的长度对应的每个位置上的值因此我们可以得出答案 B={1 2 2 3 3 4}这个答案表示了以每个元素结尾的最长递增子序列的长度。