基于位运算的最长公共子串算法.docVIP

基于位运算的最长公共子串算法 [摘要] 本文来自于参考文献[1]。 本文描述了一个对于确定有限字符集的基于位运算的最长公共子串算法。该算法在普通计算机上运行效率明显高于常规的动态算法。其时间复杂度为。其中w表示我们在w位的整数上进行位操作。 [问题介绍] 最长公共子串（Longest-common-subsequence , LCS）问题，是求两个字符串A和B的公共子串的最大可能长度。例如，字符集S={’A’,’C’,’G’,’T’}，’GCTAT’和’CGATTA’的最大公共子串（以下简称LCS）为’GTT’，其长度为3。 在这里定义一些变量: A,B分别是两个给定的串。 S为A、B串所涉及的字符集。 [常规动态规划算法] 设L[i , j]等于A[1..i] , B[1..j]的LCS. 则有L[i,j] = 1 + L[i-1 , j-1] 如果 (A[i] = B[j]) Max(L[i-1 , j] , L[i , j-1]) 其他 复杂度为O(|A| * |B|) [基于位运算的动态规划算法] 根据上面的动态规划算法，状态函数L具有如下性质： L[i-1,j-1] ≤ L[i,j-1] , L[i-1,j] ≤ L[i,j] | L[i,j]-L[i-1,j-1] | ≤ 1 对于L的每一行，相邻的两个元素的最多只相差1。这样一来，我们就可以用一个二进制的矩阵描述出L : () #bits 9 0 0 0 1 1 0 0 0 1 0 1 1 1 1 1 1 | T string B 9 0 1 0 0 1 0 0 0 1 0 1 1 1 1 1 1 | T 8 0 0 1 0 0 0 1 0 0 0 1 1 1 1 1 1 | C 7 0 0 0 0 1 0 0 0 1 0 0 1 1 1 1 1 | T - Row[11] 7 1 0 0 0 0 0 0 1 0 0 0 1 1 1 1 1 | A - Row[10] 7 1 0 0 0 0 1 0 0 0 0 0 1 1 1 1 1 | G 6 0 0 0 0 0 1 0 1 0 0 0 0 1 1 1 1 | A 5 0 0 0 0 0 0 0 1 0 0 0 0 1 1 1 1 | A 5 0 0 0 0 1 0 0 0 0 0 0 0 1 1 1 1 | T 4 0 0 0 0 0 0 0 0 1 0 0 0 0 1 1 1 | T 3 0 0 0 0 0 0 0 0 0 0 1 0 0 0 1 1 | C 3 1 0 0 0 0 0 0 0 0 0 0 1 0 0 0 1 | G 2 0 0 0 0 0 0 0 1 0 0 0 0 0 1 0 0 | A 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 | T _________________________________. matrix Mij String A: G T C T T A C A T C C G T T C G 这里，我们将串A从右往左写，串B从下往上写。Row[i]中的1的个数总是和Row[i-1]中的1的个数一样多或者恰好多一个。串A和串B的LCS即为最上面一行Row[|B|]中1的个数。 字符比较串表 这里我们定义一组称为字符比较串的二进制串。分别是字符集中的每一个字符与串A的比较结果(相同为1，不同为0)。 A： G T C T T A C A T C C G T T C G ‘A’-string: 0 0 0 0 0 1 0 1 0 0 0 0 0 0 0 0 ‘C’-string: 0 0 1 0 0 0 1 0 0 1 1 0 0 0 1 0 ‘G’-string: 1 0 0 0 0 0 0 0 0 0 0 1 0 0 0 1 ‘T’-string: 0 1 0 1 1 0 0 0 1 0 0 0 1 1 0 0 预先计算这个字符比较串表，时间复杂度为O(|S|*|A|)。对于一个确定的字符集，时间复杂度为O(|A|)。对于一个不确定的字符集，最坏情况为O(|A|*|B|)。如果字符集较小，|S||B|，预处理的时间复杂度可以被忽略。 矩阵M 为了计算Row[i]，我们需要用到字符比较串表中的B[i]-string。以Row[10]到Row[11]为例，我们来研究如何计算出Row[i]。 下面是Row[10] , 以及B[10]-string(‘T’-string). 按照R