多串匹配算法及其意义.pptVIP

多串匹配算法及其启示 南京市外国语学校 朱泽园 问题提出 所谓多串匹配，就是给定一些模式串，在一段文章（只出现小写a到z这26个字母）中，找出第一个出现的任意一个模式串的位置，或者所有模式串出现的所有位置。 例子 模式串：“abcd” “bcde” 正文： 实际应用 含逻辑关键字的搜索引擎 DNA序列搜索 …… 数据规模 设共有m个模式串，长度分别为L1、L2…Lm正文为一个长度为n的数组T[1..n]，限定 朴素想法 从小到大枚举每一个位置，并且对所有模式串进行检查。最坏情况下时间复杂度为 对每一个模式串，使用kmp算法进行单串匹配，时间复杂度为 我的算法 辅助算法1：Knuth-Morris-Pratt模式匹配 辅助算法2：单词前缀树（自创） 主算法1：线性算法 辅助算法3：后缀树 主算法2：平均性能更好的算法 单词前缀树 单词查找树 前缀指针的定义 单词前缀树之所以不同于单词树，是因为它的每一个非根结点上都有一个前缀指针（Prefix Pointer）。 设s为结点p在树中对应的字符串 s的所有后缀中，找到在单词树中出现的，最长的一个，设为s1。 p结点的前缀指针指向s1对应的结点。 单词前缀树（续） 举例 单词前缀树（续） 前缀指针的生成 从定义出发，穷举+扫描 从kmp算法的前缀数组中吸取经验，通过父节点的前缀指针计算 单词前缀树（续） 举例 主算法一 kmp算法的启发 kmp算法的精髓是减少重复的计算，根据自身的位移匹配（特征），确定模式串的右移量。 主算法一（续） 单词前缀树的使用和附加标记Okay 模式串是构成单词前缀树的基本元素 模式“abcd”“bc” 主算法一（续） 主过程 主算法一（续） 一点注意 主算法一（续） 时间复杂性分析 单词前缀树的构建 正文的检索 空间复杂性分析 主算法一（续） 优化方案 二进制转化 动态分配子结点+二分查找 后缀树概述 路经压缩 McCreight(1976),On-line Construction(1995) 主算法二 单词前缀树的使用和扩展（TreeA） 主算法二（续） 参数Shift，记录每一个结点到达任意一个Okay结点（自身除外）的最短路径（既可以通过树中的边，也可以通过前缀指针） 主算法二（续） 举例 主算法二（续） 后缀树的使用和扩展(TreeB) 由所有模式串倒置后的所有后缀组成。 模式串为“abab”“ba”“bb” 倒置：“baba”“ab”“bb” 作用： 在O(N)的时间内，从后向前地查看一段长度为N的字符，检测它是否为任意一个模式串的子串 主算法二（续） TreeA上的函数ScanA Function ScanA(Left,Right,P); 如果Shift参数 最短的模式串长度 div 2，继续读入字符并且P继续移动 输出所有遇到的匹配 主算法二（续） TreeB上的函数ScanB Function ScanB(Left,Right); 在TreeB中，将T[Left..Right]从右向左进行扫描，检查其是否为某个模式串的子串，返回最后扫描到的正文的位置。 定义：当一个字符串是某个模式串的子串时，称其为“有效的”，反之为“无效的”。 主算法二（续） 主过程的基本思想： 1、每次处理一个Left+1~Right的段落 2、从Right向左通过ScanB检索，最后到达位置pos。 3、从pos到Right进行ScanA检索。 4、下一个过程的Left为ScanA检索到的正文位置，Right为Left + 当前TreeA上的结点的Shift参数 主算法二（续） 举例 模式串为“abcd”和“bcde” TreeA 主算法二（续） T=“abcabcde” ，Left=0, Right=4, P=1 从Right到Left+1逆向进行ScanB “a”为“有效的” “ca”为“无效的”，所以pos=4。 主算法二（续） 1..3的正文位置上，不可能出现模式的匹配 ScanA的检索需要从TreeA根结点重新开始，P指针重置为TreeA的根结点。 主算法二（续） 从pos到Right进行ScanA检索 主算法二（续） 阶段1： 正向ScanA检索字符串“a” 主算法二（续） T=“abcabcde” Left = 4, Right = Left + Shift[P] = 7, P = 2 从Right到Left+1逆向进行ScanB 有“bcd”为“有效的”，所以pos=5。 主算法二（续） 阶段1： 正向ScanA检索字符串“bcd” 再读入字符“e” 主算法二（续） 时间复杂度分析： 设最短的模式串长度为θ 最坏情况O(N) 设所有的模式串长度均为θ，θ足够大时，若