后缀树和后缀数组.docVIP

后缀树和后缀数组 基本概念 子串：字符串S的子串S[i..j]，i≤j，表示S串中从i到j这一段，也就是顺次排列S[i],S[i+1],...,S[j]形成的字符串。 字符集：一个字符集Σ是一个建立了全序关系的集合，也就是说，Σ中的任意两个不同的元素α和β都可以比较大小，要么αβ，要么βα（也就是αβ）。字符集Σ中的元素称为字符。 字符串：一个字符串S是将n个字符顺次排列形成的数组，n称为S的长度，表示为len(S)。S的第i个字符表示为S[i]。 子串：字符串S的子串S[i..j]，i≤j，表示S串中从i到j这一段，也就是顺次排列S[i],S[i+1],...,S[j]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S的从i开头的后缀表示为Suffix(i)，也就是Suffix(i)=S[i..len(S)] 例如S = mississippi，那么它的所有后缀为： Suffix(1) = mississippi = S Suffix(2) = ississippi Suffix(3) = ssissippi Suffix(4) = sissippi Suffix(5) = issippi Suffix(6) = ssippi Suffix(7) = sippi Suffix(8) = ippi Suffix(9) = ppi Suffix(10) = pi Suffix(11) = i Suffix(12) = (empty) 不难发现，S的任意一个子串一定是某一个后缀的前缀。 字符串的大小比较：指通常所说的“字典顺序”比较，也就是对于两个字符串u、v，令i从1开始顺次比较u[i]和v[i]，如果u[i]=v[i]则令i加1，否则若u[i]v[i]则认为uv，u[i]v[i]则认为uv（也就是vu），比较结束。如果ilen(u)或者ilen(v)仍比较出结果，那么若len(u)len(v)则认为uv，若len(u)=len(v)则认为u=v，若len(u)len(v)则uv。 Trie Trie是一棵树，它的结点（或全部用边）是∑中单个字符，每个结点的所有子结点字符都不同，从树根到某一个叶结点所经过路径中的字符就构成一个字符串。 上图的Trie存放了字符串”aa”和”ab”。但是这样的话，我们无法再存储字符串”a”，所以引入$这个不在∑的字符，让它成为叶结点。下图的Trie就存放了字符串”a”和”aa”。 还有另一种实现方法，不添加$，而在节点上做标记。 Trie的构造和查找 增量式：每次插入一个串S 从根开始，依次检查S的每个字符，沿着边走 如果串结束，则标记当前结点为S的终点 如果走到叶子时串未结束，给该叶子增加子树 “沿着走”需要定位每个结点的指定儿子，给叶子增加子树需要修改结点的儿子集合。小字典用数组，大字典用Hash。一般情况只考虑小字典，可以在常数时间内完成儿子的查找和插入。因此，在Trie中查找和插入串P，时间为O(|P|)。 为了减少不分支的结点所带来的浪费，将Trie改进为压缩Trie。压缩Trie与Trie类似，只是将没有分支的连续结点压缩存放在同一个结点中。下图左边是一般的Trie，右边是压缩Trie。 后缀树的定义 后缀树（Suffix Trees）是一种能快速处理很多与字符串有关问题的数据结构。 严格定义：串S[1…m]$的后缀树(suffix tree)是一棵有根树T，它有m个叶子（一一对应），标记为1,2,…,m。除根之外每个内结点都至少有两个儿子（没有局部链），每条边上有S的一个非空子串，且同一结点出发的任两条边上标记的子串的第一个字母都不相同。若用L(v)表示从树根走到结点v时经过所有边的子串连接，则对于i=1,2,…,m，有L(i) = S[i…m]。因此，后缀树代表了S所有后缀的集合。 如下图所示，就是字符串”banana”的后缀树。 后缀树的实现 先来看看后缀树所耗费的空间。如果按照上面描述的方法存储，由于每个结点存的都是字符串，这样在最坏的情况下，需要平方级的空间，例如字符串”abcd…xyz”。 但如果我们在每个结点只存储起始和终止下标，那么就是线性的了。 因为不难发现，根据压缩trie的特点，每一个内部结点都是要分支的。所以内部结点的个数不超过叶结点的个数，而叶结点的个数正好等于|T|。并且每个结点只存两个数值，于是空间是线性的。 既然空间是线性的，我们就有希望在线性时间内将之构造出来( 事实上，后缀树确实可以在线性时间内构造出来！ Weiner 1973：太复杂，内存开销太大 McCreight 1976：仍然复杂 Ukkonen 1995：在线算法，内存更省 Ukkonen算法是在线算法，即： 一个字符一个字符的处理S 处理完S的前k个字