首页 > 编程语言> 文章详细

【算法设计与分析】第九章字符串算法

2021-11-27 22:31:07 阅读：136 来源： 互联网

标签：字符第九章指纹 Trie 算法字符串节点

第九章字符串算法（2021/11/27-by-tycube）

9.1 精确字符串匹配

9.1.1 问题描述：

给定文本 T T T和模式 P P P，要求返回文本 T T T能对应上模式 P P P的第一个位置，即满足 T [ s . . . s + m − 1 ] = P [ 0... m − 1 ] T[s...s+m-1]=P[0...m-1] T[s...s+m−1]=P[0...m−1]时 T [ s ] T[s] T[s]的最小下标.

在这里插入图片描述

9.1.2 解题思路：

暴力搜索
Rabin-Karp算法

2.1 基本思想：基于指纹的思想。

指纹思想：对于给定的T和P，通过函数处理成可以直接进行比较的值（计算代价 O ( m ) O(m) O(m)），称其为指纹。指纹相同、字符串不一定完全匹配，但指纹不相同说明字符串一定不匹配。
需要注意的是，模式P的指纹是固定的，但文本T对应位置的指纹无需每次完全重新计算，可以直接计算(进制一般为十进制)
(已知的指纹值-最高位的数x当前进制^{所处位数})x进制+新加入的数字x进制
如图所示：
指纹计算：可以通过使用哈希函数 h = f m o d q h=f\quad mod \quad q h=fmodq
- 预处理：计算 f p fp fp与 f t （ m − 1 ） ft_{（m-1）} ft（m−1）
- 步骤： n e w f t = ( ( f t − T [ s ] × 1 0 m − 1 m o d q ) × 10 + T [ s + m ] ) m o d q ; newft=((ft-T[s]\times 10^{m-1} mod\quad q)\times10+T[s+m])mod\quad q; newft=((ft−T[s]×10m−1modq)×10+T[s+m])modq;

在这里插入图片描述

2.2 伪码实现：

Rabin-Karp-Search(T,P)
 q <- a 
 //a为大于m的素数（n-m个轮换中，每第q次才需要匹配指纹）
 c <- 10^(m-1) mod q  //运行一个乘以 10 mod q 的循环
 fp <- 0; ft <- 0
 for i <- 0 to m-1  // 预处理，计算得到fp与ft
    fp <- (10*fp + P[i]) mod q
    ft <- (10*ft + T[i]) mod q
 for s <- 0 to n – m  // 匹配
    if fp = ft then   // 当指纹相同时，逐一比较字符 
       if P[0..m-1] = T[s..s+m-1] return s  
    ft <- ((ft – T[s]*c)*10 + T[s+m]) mod q//计算newft
 return –1

2.3 算法复杂性分析：

预处理： O ( m ) O(m) O(m)
外循环： O ( n − m ) O(n-m) O(n−m)
所有内循环： n − m q × m = O ( n − m ) \frac{n-m}{q}\times m=O(n-m) qn−m×m=O(n−m)
（期望）总时间： O ( n − m ) O(n-m) O(n−m)
最坏运行时间： O ( n m ) O(nm) O(nm)，即当每次指纹匹配但匹配字符时总是最后一个无法匹配上。

2.4 实际操作：

若字母表中有d个字母，将字母翻译为d进制数字。
选择素数q>m。

2.5 缺点分析：

没有利用已匹配部分的信息

KMP(Knuth-Morris-Pratt )算法

3.1 思路：
- 在当前字符失配时，对于已匹配部分，找到匹配部分在模式中的最大前缀同时也是后缀的长度。
  
  即求出 π [ q ] = m a x { k < q ∣ P [ 1.. k ] = P [ q − k + 1.. q ] } π[q]=max\{k<q|P[1..k]=P[q-k+1..q]\} π[q]=max{k<q∣P[1..k]=P[q−k+1..q]}
- 如图所示：
3.2 前缀表：
- 基于该思想，可以预先计算模式 P P P的前缀表：
eg 1：

P p a p p a r
q 0 1 2 3 4 5 6
p[q] 0 0 0 1 1 2 0
eg 2：

P a b a b a c b
q[下标+1] 0 1 2 3 4 5 6 7
p[q] 0 0 0 1 2 3 0 0
3.3 伪码实现
```
KMP-Search(T,P)
 p <- Compute-Prefix-Table(P) //计算前缀表
 q <- 0      // 当前匹配的字符数
 for i <- 0 to n-1  // 从左至右扫描文本
    while q > 0 and P[q] ≠ T[i] do 
    //当失配时，匹配字符数赋值为p[q]，相当于扫描文本的指针i左移p[q]，但实际上文本中每个字符只比较一次
       q <- p[q]
    if P[q] = T[i] then q <- q + 1 //每匹配一个，则指针均向右扫描一位
    if q = m then return i – m + 1 //当匹配的字符数=模式长度，说明实现匹配，返回下标“i-m+1”
 return –1
```

P		p	a	p	p	a	r
q	0	1	2	3	4	5	6
p[q]	0	0	0	1	1	2	0

P		a	b	a	b	a	c	b
q[下标+1]	0	1	2	3	4	5	6	7
p[q]	0	0	0	1	2	3	0	0

模式部分：将j直接移动到k位置

在这里插入图片描述

3.4 复杂度分析

时间复杂度： O ( m + n ) O(m+n) O(m+n)
- 主程序： O ( n ) O(n) O(n)
- 前缀表计算： O ( m ) O(m) O(m)
空间复杂度： O ( m ) O(m) O(m), 存储前缀表

BMH(Boyer-Moore-Horspool)算法

4.1 BM算法：
- 逆简单算法+启发式规则： O ( m + n ) O(m+n) O(m+n)
- 启发式规则：将失配时文本中对应的字符作为坏字符：
  1. 坏字符没出现在模式串中，这时可以把模式串移动到坏字符的下一个字符，继续比较：
  2. 坏字符出现在模式串中，这时可以把模式串第一个出现的坏字符和母串的坏字符对齐。
4.2 BMH算法：
- 实现思路：
  - 仅考虑启发式规则，即利用启发式规则计算偏移表。
  - 失配后直接将T[s+m-1]对齐到模式P[0…m-2]中的最右出现。
- 偏移表：
  
  除最后一个元素，其余任何元素偏移量都是从当前位置到结尾需要移动的距离，相同元素取最小偏移量，若最后一个元素只在模式中出现一次，则偏移量为模式长度。
  
  s h i f t [ w ] = { m − 1 − m a x { i < m − 1 ∣ P [ i ] = w } , i f w i s i n P [ 0.. m − 2 ] m , o t h e r w i s e shift[w]=\begin{cases}m-1-max\{i<m-1|P[i]=w\},if\quad w\quad is\quad in\quad P[0..m-2]\\m,otherwise \end{cases} shift[w]={m−1−max{i<m−1∣P[i]=w},ifwisinP[0..m−2]m,otherwise
  
  eg：P = “kettle”
  
  shift[e] =4, shift[l] =1, shift[t] =2, shift[k] =5
- 伪码实现：
```
BMH-Search(T,P) 
 // 计算模式P偏移表
 for c <- 0 to |∑|- 1
    shift[c] = m       //初始化
 for k <- 0 to m - 2
    shift[P[k]] = m – 1 - k	//计算偏移，从左向右计算，可以计算得到每个元素对应的最小偏移量
 // 搜索
 s <- 0 //文本部分的开头
 while s ≤ n – m do //当还没有比较到末位，即文本中剩余可以进行比较的字符数大于模式长度时。
    j <- m – 1   // 逆序比较，故j从m-1开时向前比较。
    // check if T[s..s+m–1] = P[0..m–1]
    while T[s+j] = P[j] do
       j <- j - 1
       if j < 0 return s
    s <- s + shift[T[s + m – 1]]   // 失配时，文本右移T[s+m-1]对应字符的偏移量。
 return –1
```
过程图解：

【复杂度分析】：
- 时间复杂度：
  - 预处理： O ( m + ∣ ∑ ∣ ) O(m+|∑|) O(m+∣∑∣)
  - 搜索过程： O ( n m ) O(nm) O(nm)
  - 总计： O ( m n ) O(mn) O(mn)
- 空间复杂度：
  - O ( ∑ ) O(∑) O(∑)，偏移表所需空间

9.2 字符串查找数据结构

9.2.1 字符串的ADT

search(x)、insert(x)、delete(x)
n个字符串，N个字母，m为需要的操作字符串x的长度，字母表的大小d=|Σ|

9.2.2 字符串的BST

使用二分查找树
- 二叉搜索树（Binary Search Tree）是具有二叉树结构，每个节点都有一个可比较的Key , 并且对于任何一个节点而言，它的左边的所有节点的Key都比它的Key小，右边所有节点的Key都比它的Key大。

9.2.3 字符串的Tries(前缀树、字典树)

Trie的性质：
1. 多路树-每个节点儿子数为含有当前节点为前缀的字符串总数
2. 根节点不包含字符
3. 每条边标记一个字符
4. 每个叶子节点存储字符串，该字符串是从根到叶子所有字符的连接体。

Trie的搜索与插入：

搜索：自上而下

Trie-Search(t, P[k..m])  //在字典树t中搜索字符串P
 if t is leaf then return true //当t是一个叶子，即P已经扫描到叶子节点，说明当前叶子存储字符串P
 //如果扫描到的节点不是字符串P的节点，直接false
 else if t.child(P[k])=null then return false 
 //否则，扫描当前节点的子节点
      else return Trie-Search(t.child(P[k]), P[k+1..m])

插入：

Trie-Insert(t, P[k..m]) //在t中插入字符串[k..m]
 if t is not leaf then  //当确认P不在t中，执行插入操作
    if t.child(P[k])=null then 
    //如果当前扫描到的字符树节点不属于t的子节点，直接创建新节点
        创建 t 的新孩子和从该孩子开始并存储在 P[k..m] 的“分支” 中 
    //否则插入P[k+1..m]进入t的以P[k]开始的子树中
    else Trie-Insert(t.child(P[k]), P[k+1..m])

删除：自底向上，删除直到当前节点含有其他子节点（包括叶子节点）

Trie的分析：
- 最坏情况：$O(N)
- { 搜索 − O ( d m ) 插入 − O ( m l g d ) 删除 − O ( m ) \begin{cases}搜索-O(dm)\\插入-O(mlgd)\\删除-O(m)\end{cases} ⎩⎪⎨⎪⎧搜索−O(dm)插入−O(mlgd)删除−O(m),m为字符串的长度

9.2.4 紧缩Trie

紧缩Tries II
- 数组存放字符串，trie中的边存放字符在数组中的位置。

Patricia trie

边标记改为**(字符串开头, 字符串长度)**，将文本的比较推迟到最后。

伪码：（单词前缀查询P[0…m-1]）

Patricia-Search(t, P, k)     
 if t is leaf then //如果t是叶子节点，将t在列表中的第一个索引赋值给j
    j <- the first index in the t.list
    if T[j..j+m-1] = P[0..m-1] then //若从j到j+m-1也能匹配上，返回对应的t的列表
       return t.list    // 匹配成功
 else if there is a child-edge (P[k],s) then //如果t中有一条P[k]为开头，长度为s的字符边
         if k + s < m then  //当加入该字符串后还没有扫描到P[m-1]
            return Patricia-Search(t.child(P[k]), P, k+s)
            //从t树的P[k]节点查找其子树中对应P[k+s,...m-1]的部分
       else 转到任意t的叶子， 进行第4行的操作
       		if it is true, 返回 t 的所有后代叶子的列表
      		otherwise return nil     
 else return null   // nothing is found

9.2.5 文本搜索问题

后缀树
Pat树

标签：字符,第九章,指纹,Trie,算法,字符串,节点
来源： https://blog.csdn.net/Dongsheng66/article/details/121584426

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。

ICode9

【算法设计与分析】第九章字符串算法

第九章字符串算法（2021/11/27-by-tycube）

9.1 精确字符串匹配

9.1.1 问题描述：

9.1.2 解题思路：

2.1 基本思想：基于指纹的思想。

2.2 伪码实现：

2.3 算法复杂性分析：

2.4 实际操作：

2.5 缺点分析：

3.1 思路：

3.2 前缀表：

3.3 伪码实现

3.4 复杂度分析

BMH(Boyer-Moore-Horspool)算法

4.1 BM算法：

4.2 BMH算法：

9.2 字符串查找数据结构

9.2.1 字符串的ADT

9.2.2 字符串的BST

9.2.3 字符串的Tries(前缀树、字典树)

9.2.4 紧缩Trie

9.2.5 文本搜索问题

ICode9

【算法设计与分析】第九章 字符串算法

第九章 字符串算法（2021/11/27-by-tycube）

9.1 精确字符串匹配

9.1.1 问题描述：

9.1.2 解题思路：

2.1 基本思想：基于指纹的思想。

2.2 伪码实现：

2.3 算法复杂性分析：

2.4 实际操作：

2.5 缺点分析：

3.1 思路：

3.2 前缀表：

3.3 伪码实现

3.4 复杂度分析

BMH(Boyer-Moore-Horspool)算法

4.1 BM算法：

4.2 BMH算法：

9.2 字符串查找数据结构

9.2.1 字符串的ADT

9.2.2 字符串的BST

9.2.3 字符串的Tries(前缀树、字典树)

9.2.4 紧缩Trie

9.2.5 文本搜索问题

【算法设计与分析】第九章字符串算法

第九章字符串算法（2021/11/27-by-tycube）