文本比较算法Ⅰ——LD算法.doc

 HYPERLINK /grenet/archive/2010/06/01/1748448.html 文本比较算法Ⅰ——LD算法 　　在日常应用中，文本比较是一个比较常见的问题。文本比较算法也是一个老生常谈的话题。 　　文本比较的核心就是比较两个给定的文本（可以是字节流等）之间的差异。目前，主流的比较文本之间的差异主要有两大类。一类是基于编辑距离（Edit Distance）的，例如LD算法。一类是基于最长公共子串的（Longest Common Subsequence），例如Needleman/Wunsch算法等。 　　LD算法（Levenshtein Distance）又成为编辑距离算法（Edit Distance）。他是以字符串A通过插入字符、删除字符、替换字符变成另一个字符串B，那么操作的过程的次数表示两个字符串的差异。 　　例如：字符串A：kitten如何变成字符串B：sitting。 　　　　第一步：kitten——》sitten。k替换成s 　　　　第二步：sitten——》sittin。e替换成i 　　　　第三步：sittin——》sitting。在末尾插入g 　　故kitten和sitting的编辑距离为3 ? 　　定义说明： 　　LD(A,B)表示字符串A和字符串B的编辑距离。很显然，若LD(A,B)=0表示字符串A和字符串B完全相同 　　Rev(A)表示反转字符串A 　　Len(A)表示字符串A的长度 　　A+B表示连接字符串A和字符串B 　　 　　有下面几个性质： 　　LD(A,A)=0 　　LD(A,)=Len(A) 　　LD(A,B)=LD(B,A) 　　0≤LD(A,B)≤Max(Len(A),Len(B)) 　　LD(A,B)=LD(Rev(A),Rev(B)) 　　LD(A+C,B+C)=LD(A,B) 　　LD(A+B,A+C)=LD(B,C) 　　LD(A,B)≤LD(A,C)+LD(B,C)（注：像不像“三角形，两边之和大于第三边”） 　　LD(A+C,B)≤LD(A,B)+LD(B,C) ? 　　为了讲解计算LD(A,B)，特给予以下几个定义 　　A=a1a2……aN，表示A是由a1a2……aN这N个字符组成，Len(A)=N 　　B=b1b2……bM，表示B是由b1b2……bM这M个字符组成，Len(B)=M 　　定义LD(i,j)=LD(a1a2……ai,b1b2……bj)，其中0≤i≤N，0≤j≤M 　　故：　　LD(N,M)=LD(A,B) 　　　　　　LD(0,0)=0 　　　　　　LD(0,j)=j 　　　　　　LD(i,0)=i ? 　　对于1≤i≤N，1≤j≤M，有公式一 　　若ai=bj，则LD(i,j)=LD(i-1,j-1) 　　若ai≠bj，则LD(i,j)=Min(LD(i-1,j-1),LD(i-1,j),LD(i,j-1))+1 ? 　　举例说明：A=GGATCGA，B=GAATTCAGTTA，计算LD(A,B) 　　第一步：初始化LD矩阵　　 ? LD算法矩阵 ??GAATTCAGTTA?01234567891011G1???????????G2???????????A3???????????T4???????????C5???????????G6???????????A7???????????? 　　第二步：利用上述的公式一，计算第一行 ? LD算法矩阵 ??GAATTCAGTTA?01234567891011G1012345678910G2???????????A3???????????T4???????????C5???????????G6???????????A7???????????? 　　第三步，利用上述的公示一，计算其余各行? 　　 LD算法矩阵 ??GAATTCAGTTA?01234567891011G1012345678910G211234566789A321123456788T