NFA到DFA转化.docVIP

目录 1.需求分析 2 1.2 NFA和DFA之间的联系 3 2.概要设计 3 3.详细设计 4 3.1 子集构造法 4 3.2 具体转换过程 6 3.3 程序设计 9 3.3.1 常量定义 9 3.3.2 数据结构定义 9 3.3.3 主要函数流程图 11 4.测试分析 14 5.用户手册 16 6.课程总结 16 1.需求分析 1.1 NFA和DFA的概念 NFA(nondeterministic finite-state automata)即非确定有限自动机, 一个非确定的有限自动机NFA M’是一个五元式: NFA M’=(S, Σ∪{ε}, δ, S0, F) 其中 S—有限状态集 Σ∪{ε}—输入符号加上ε,即自动机的每个结点所射出的弧可以是Σ中一个字符或是ε. S0—初态集 F—终态集 δ—转换函数 S×Σ ∪{ε} →2S (2S --S的幂集—S的子集构成的集合） DFA(deterministic finite-state automata)即确定有限自动机，一个确定的有限自动机DFA M是一个五元式: M=(S, Σ，δ, S0, Z) 其中: S —有限状态集 Σ —输入字母表 δ —映射函数(也称状态转换函数) S×Σ→S δ(s,a)=S’ , S, S’ ∈S, a∈Σ S0 —初始状态 S0 ∈S Z—终止状态集 Z(S 1.2 NFA和DFA之间的联系 在非确定的有限自动机NFA中,由于某些状态的转移需从若干个可能的后续状态中进行选择故一个NFA对符号串的识别就必然是一个试探的过程这种不确定性给识别过程带来的反复无疑会影响到FA的工作效率 图1 程序总框图 3.详细设计 3.1 子集构造法 已证明：非确定的有限自动机与确定的有限自动机从功能上来说是等价的，也就是说，我们能够从： NFA M’ DFA M 使得 L(M)=L(M’) 为了使得NFA确定化，我们首先给出两个定义： 定义1:集合I的ε-闭包： 令I是一个状态集的子集，定义ε-closure（I）为： 1）若s∈I，则s∈ε-closure（I）； 2）若s∈I，则从s出发经过任意条ε弧能够到达的任何 状态都属于ε-closure（I）。 状态集ε-closure（I）称为I的ε-闭包 定义2:令I是NFA M’的状态集的一个子集, a∈Σ 定义: Ia=ε-closure(J) 其中J = ∪δ(s,a) ——J是从状态子集I中的每个状态出发,经过标记为a的弧而达到的状态集合。 ——Ia是状态子集,其元素为J中的状态,加上从J中每一个状态出发通过ε弧到达的状态。 给定如图所示的NFA 图2 与之等价的DFA： 图3 3.2 具体转换过程 为了说明跟清晰，我们使用实例说明，构造正规式101（0|1）*011的DFA？ 解：首先构造相应的NFA，如图4所示： 图4 将其写成M五元式则为： M=({0，1，2，3，4，5，6，7，8}，{0，1},δ，0，{8}) 其中δ为： δ（0，1）＝1 δ（1，0）＝2 δ（2，1）＝3 δ（3，ε）＝4 δ（4，ε）＝5 δ（4，0）＝4 δ（4，1）＝4 δ（5，0）＝6 δ（6，1）＝7 δ（7，1）＝8 它所对应的状态转换矩阵如表1： 表1 状态 0 1 ε 0 ε 1 ε 1 2 ε ε 2 ε 3 ε 3 ε ε 4 4 4 4 5 5 6 ε ε 6 ε 7 ε 7 ε 8 ε 8 ε ε ε 根据NFA转化为DFA的子集法转换法进行转换，对应的状态转换矩阵见表2： 表2 I I0 I1 {0} {ε} {1} {1} {2} {ε} {2} {ε} {3，4，5} {3，4，5} {4，5，6} {4，5} {4，5，6} {4，5，6} {4，5，7} {4，5} {4，5，6} {4，5} {4，5，7} {4，5，6} {4，5，8} {4，5，8} {4，5，6} {4，5} 对上表重新命名后的状态转换矩阵见表3： 表3 I I0 I1 0 ε 1 1 2 ε