后缀数组及应用 - 北京大学人工智能实验室.pptVIP

后缀数组及应用 孙弘后缀 后缀是指字符串S从某个位置i开始到整个串末尾结束的一个特殊子串 记作Suffix(S,i),简记为Suffix(i) 后缀数组 后缀数组就是将字符串所有后缀排序后的数组，用SA表示：SA[i]记录排序后第i小的后缀的首字母位置，即Suffix(SA[i])在s的所有后缀中是第i小的后缀 由于一个字符串的两个后缀长度不同，所以必然不等，所以 i ≠ j ↔ SA[i]≠SA[j]，即SA存的是1..n的一个排列 名次数组 Rank Rank[i]保存的是Suffix(i)在所有后缀中从小到大排列的名次 显然Rank=SA-1 ，即若SA[i]=j，则Rank[j]=i 后缀数组的构造方法 直接快排，O(n2logn)，效率很低 基数排序，最坏情况O(n2)，也不够好 以上排序方法都没有利用到各个后缀之间的有机联系，所以它们的效率不可能很高 倍增算法(Doubling Algorithm)，充分利用了各个后缀之间的联系，将构造后缀数组的最坏时间复杂度成功降至O(nlogn) k-前缀 字符串S的k-前缀：表示从S的第1到第k个字符构成的子串 Sk=S[1..k], k≤len(S) Sk=S, klen(S) 后缀的k-前缀的性质 不难看出： Suffix2k (i)==Suffix2k(j)等价于Suffixk(i) ==Suffixk(j) Suffixk(i+k) ==Suffixk(j+k) Suffix2k (i)Suffix2k(j) 等价于 Suffixk(i) Suffixk(j) || ( Suffixk(i) ==Suffixk(j) Suffixk(i+k) Suffixk(j+k) ) 倍增算法 定义数组SAk，保存1..n的一个排列使得Suffixk(SAk[i])≤ Suffixk(SAk[i+1])，也就是说对所有的后缀在k-前缀比较关系下从小到大排序，并且把排序后的后缀的开头位置顺次放入数组SAk中 定义数组Rankk，将字符串的所有后缀的k-前缀排序，如果相同则看成一组，Rankk[i]表示Suffixk (i)所在的组在其中的排名 注意Rankk=SAk-1未必成立 倍增算法 首先求Rank1,SA1便是对字符串的所有字符进行排序，由于字符种类是有限的，所以可以用桶排序，在O(n)时间内完成 若已经求出Rankk,SAk，则根据k-前缀的性质，将Rankk[i]看作主关键字， Rankk[i+k]看作此关键字，通过基数排序在O(n)时间内构造出Rank2k,SA2k 倍增算法 Rank1,SA1→Rank2,SA2 → Rank4,SA4 →… → Rankm,SAm(m≥n) 一共需要log(n)步，每步需要时间O(n) 所以时间复杂度为O(nlogn) 倍增算法 如果中途发现Rankk [SAk[n]]=n，说明Rankk=SAk-1已经成立，这时已经达到目的，得到SA=SAk, Rank=Rankk 可以用滚动数组，将空间复杂度降为O(n) 最长公共前缀LCP Longest Common Prefix lcp(s1,s2)表示s1与s2的最长公共前缀的长度 定义LCP(i,j)为Suffix(SA[i])与Suffix(SA[j])的最长公共前缀的长度 LCP(i,j)=lcp(Suffix(SA[i]), Suffix(SA[j])) 显然，LCP(i,j)=LCP(j,i) 所以只需考虑ij的情况 LCP的性质 设ij，则LCP(i,j)=min{LCP(k-1,k)|i+1≤k≤j} (LCP Theorem) 定义一个数组Height，令LCP(i-1,i)=Height[i]，则LCP(i,j)=min{Height[k]|i+1≤k≤j} 由LCP Theorem得出一个推论： 对i≤jk，LCP(j,k)≥LCP(i,k) (LCP Corollary) 因此只要求出Height数组，便转化为区间求最值问题（RMQ问题） RMQ问题 由于一般查询次数较多，最适合用ST算法（Sparse Table） 实质是动态规划 f[i,j]表示区间[i,i+2j)上的最小值 f[i,j]=min(f[i,j-1],f[i+2j,j-1]) 则区间[l,r]的最小值为min(f[a,k], f[b-2k+1,k])其中k是满足2k≤b-a的最大的k 预处理需要O(nlogn)，查询只需O(1) Height的求法 令h[i]=Height[Rank[i]]， 则Height[i]=h[SA[i]] 可以证明h[i]≥h[i-1]-1 不严格证明： 设j满足Rank[j]=Rank[i]-1,则h