标签:
后缀数组是处理字符串的一种常用算法,是后缀树的一种精巧的替代品,它比后缀树更容易编程实现,且效率和后缀树相当。
子串: 字符串S的子串r[i, j](i <= j),表示r串中从i到j这一段形成的字符串。
后缀: 后缀是指从某个位置i开始到整个串末尾结束的一个特殊子串。字符串r的从第i个字符开始的后缀表示为 Suffix(i), Suffix(i) = r[i, len-1]。一个串S长度为len(S),则它有len(S)个后缀 Suffix(0), Suffix(1).... Suffix(len(S) - 1)
后缀数组:SA是一个一维数组,它表示将字符串S的len(S)个后缀进行排序(一般字典序)之后第i个顺序的Suffix(k)表示的后缀在S中的起始位置。
比如:"abcad"的后缀分别为 Suffix[0] = "abcad", Suffix1 = "bcad", Suffix2 = "cad", Suffix3 = "ad", Suffix[4] = "d",对这些后缀进行排序之后,可以得到{"abcad", "ad", "bcad", "cad", "d"}。对应的Suffix的顺序(即Suffix在S中的起始位置)是{0, 3, 1, 2, 4} = SA.
名次数组: Rank[i]保存S的后缀Suffix[i]在排序之后位于第几位。仍然使用上面的例子,可以得到Rank = {0, 2, 3, 1, 4}
简单的说,后缀数组SA表示“排第几的是谁?”,而名次数组Rank表示“你排第几?”。可以看出SA数组和Rank数组互为逆运算。即 Rank[SA[i]] = i, SA[Rank[i]] = i.
如上图所示,为一个后缀数组和名次数组示例。其中下标从1开始。
设字符串的长度为n。为了方便比较大小,可以在字符串的后面添加一个字符,这个字符在前面的字符中没有出现过,且比前面的字符都要小。在求出Rank数组之后,可以用O(1)的时间比较任意两个后缀的大小,在求出后缀数组或名次数组中的人任意一个之后,都可以用O(n)的时间求出另一个。
算法思想
算法主要思想是通过倍增的方法对每个字符开始的长度为2^k的字符串进行排序,求出排名。k从0开始,每次增加1,直到2^k大于等于n以后,每个字符开始的长度为2^k的子字符串便相当于所有的后缀。并且这些字符串都一定已经比较出大小,即rank值中没有相同的值,那么此时的rank就是最后的结果。
算法步骤
每一次排序都利用上次长度为2^(k-1)的字符串的rank值,长度为2^k的字符串可以视为两个长度为2^(k-1)的字符串的拼接,两个长度为2^(k-1)的串的rank已经求出,记为rank1、rank2,则在计算长度为2^k的字符串的rank时,通过基数排序比较(rank1, rank2)的二维数即可(先比较rank1,rank1相同再比较rank2)。
如上图所示,先对每个位置开始的长度为1的子串进行比较,得到rank;然后长度为2,此时将两个长度为1的子串合并看成一个串,其rank进行高低位合并,进行比较;之后类似。
复杂度分析
共需要进行 log2n次排序,每次排序使用基数排序,复杂度为O(n),总的时间复杂度为O(nlogn).
算法思想
将后缀分为两类:一类是起始位置为3的倍数的Suffix(i){i % 3 == 0}, 一类是起始位置不是3的倍数的Suffix(i){i % 3 != 0}.
然后将起始位置不是3的倍数的后缀 Suffix(1)和Suffix(2)进行拼接扩充,得到然后每3个字符合并为1个,成为长度为2n/3的新串。容易发现,新串的Rank数组求出之后,可以直接求出原串中起始位置不是3的倍数的Suffix(i)。这样,可以对子问题(求长度为2n/3的新串的Rank)进行递归求解;
求出起始位置不是3的倍数的后缀的rank之后,可以很容易的求出起始位置为3的倍数的后缀的rank,类似倍增算法进行两个关键字基数排序即可。
算法步骤
(1)先将后缀分为两部分,然后对第一部分的后缀排序
将后缀分为两部分,第一部分是后缀k(k%3==0),第二部分是后缀k(k%3 !=0)。先对所有起始位置不是3的倍数的后缀进行排序,即Suffix(1), Suffix(2),Suffix(4),Suffix(5)... 做法是:
将Suffix(1)和Suffix(2)进行连接,如果这两个后缀的长度不是3的倍数,则先各自在末尾加0使得长度都变为3的倍数。然后每3个字符为一组,进行基数排序,将每组字符“合并”成一个新的字符(此时新的字符串中字符数约为 2n/3),然后递归求这个新串的后缀数组。在得到新串的SA之后,就可以得到原串中起始位置不是3的倍数的SA。
(2)利用(1)的结果,对第二部分的后缀排序
第二部分的后缀为起始位置为3的倍数的后缀,可以看成是一个字符加上一个起始位置为3k+1的后缀,起始位置为3k+1的后缀的rank已经求出,因此只需要一次基数排序即可求出剩下的后缀的SA。
(3) 将(1)和(2)的结果进行合并
该合并操作和归并排序的合并操作类似,每次需要比较两个后缀的大小。分两种情况考虑:
情形一是Suffix(3*i)和Suffix(3*j+1)的比较
Suffix(3*i) = r[3*i] + Suffix(3*i+1)
Suffix(3*j+1) = r[3*j+1] + Suffix(3*j+2)
其中,Suffix(3*i+1)和Suffix(3*j+2)的比较结果可以通过步骤(2)的结果快速得到。
情形二是Suffix(3*i)和Suffix(3*j+2)的比较
Suffix(3*i) = r[3*i] + r[3*i+1] + Suffix(3*i+2)
Suffix(3*j+2) = r[3*j+2] + r[3*j+3] + Suffix(3*(j+1)+1)
其中,Suffix(3*i+2)和Suffix(3*(j+1)+1)的比较结果可以通过步骤(2)的结果快速得到。
复杂度分析
步骤(1)的排序时间为O(n),新的字符串的长度不超过2n/3,求新串的SA的时间为f(2n/3), 步骤(2)和步骤(3)的时间为O(n).因此 f(n) = f(2n/3) + O(n).可以得到 f(n) = O(n).
倍增算法
需要注意,基数排序时候,按照先排低位后排高位的顺序,多次使用计数排序。
#include<iostream> using namespace std; #define MAX_ARRAY_SIZE 1000 #define LETTERS 100 int gCount[MAX_ARRAY_SIZE]; //用于计数排序和基数排序 int gRank[MAX_ARRAY_SIZE]; //将序列中每个元素都给一个rank,用于排序 int gSuffixArray[MAX_ARRAY_SIZE]; //后缀数组 int gOrderBySecondKey[MAX_ARRAY_SIZE];//倍增算法基数排序时,将gRank按照第二关键字排序后的顺序 int gFirstKeyArray[MAX_ARRAY_SIZE]; //将gRank按照gOrderBySecondKey排列的结果,用于对第一关键字进行排序 //gFirstKeyArray[i] = gRank[gOrderBySecondKey[i]] //比较两个元素是否相等,分别比较第一关键字和第二关键字 bool Compare(int* arr, int a, int b, int step){ return arr[a] == arr[b] && arr[a + step] == arr[b + step]; } //求后缀数组 void GetSuffixArray(char* str){ int n = strlen(str); //求step = 0的后缀数组 memset(gCount, 0, sizeof(gCount)); for (int i = 0; i < n; i++){ gRank[i] = str[i] - ‘a‘; gCount[gRank[i]] ++; //根据字符串的内容,将gRank初始化,gRank[i]相当于位置i处的元素值 } for (int i = 1; i < LETTERS; i++){ gCount[i] += gCount[i - 1]; } for (int i = n - 1; i >= 0; i--){ gSuffixArray[--gCount[gRank[i]]] = i; //step = 0的后缀数组 } int tmp_rank[MAX_ARRAY_SIZE]; //用于保存gRank, 以便计算新的gRank int step = 1; while (step < n){ //倍增算法 int p = 0; //根据上次求得的 gSuffixArray 求gRank按照第二关键字排序后的位置, //gOrderBySecondKey[i] 存放的是gRank按照第二关键字排序,第i大的位于 gRank数组的位置(用作后续的第一关键字的位置) for (int i = n - step; i < n; i++){ //i >n-step时,第二关键字的位置 > n-1,因此直接视为0,放到gOrderBySecondKey最开始的位置 gOrderBySecondKey[p++] = i; } for (int i = 0; i < n; i++){ //上次的gSuffixArray[i],如果位于 [step, n-1]区间内,则可以直接得到其 第一关键字的位置 //且按照 i从小到大的顺序,可以保证基数排序的正确性 if (gSuffixArray[i] >= step){ gOrderBySecondKey[p++] = gSuffixArray[i] - step; } } //基数排序 memset(gCount, 0, sizeof(gCount)); for (int i = 0; i < n; i++){ //按照第二关键字大小得到的第一关键字的序列 gFirstKeyArray[i] = gRank[gOrderBySecondKey[i]]; } for (int i = 0; i < n; i++){ gCount[gFirstKeyArray[i]] ++; } for (int i = 1; i < LETTERS; i++){ gCount[i] += gCount[i - 1]; } for (int i = n - 1; i >= 0; i--){ gSuffixArray[--gCount[gFirstKeyArray[i]]] = gOrderBySecondKey[i]; } //此时,更新 rank的值(需要根据第二关键字和第一关键字) memcpy(tmp_rank, gRank, sizeof(tmp_rank)); gRank[gSuffixArray[0]] = 0; p = 0; for (int i = 1; i < n; i++){ //已知 新的step下的子串的次序,直接比较相邻的rank即可 if (Compare(tmp_rank, gSuffixArray[i], gSuffixArray[i - 1], step)){ gRank[gSuffixArray[i]] = p; } else{ gRank[gSuffixArray[i]] = ++ p; } } step *= 2; } } int main(){ char* str = "helloworld"; GetSuffixArray(str); for (int i = 0; i < strlen(str); i++){ cout << gSuffixArray[i] << " "; } cout << endl; return 0; }
标签:
原文地址:http://www.cnblogs.com/gtarcoder/p/4827599.html