LCS最长子序列匹配算法讲解.pdfVIP

最长公共子序列（ 首先将要看到如何运用动态编程查找两个 DNA 序列的 longest common ， ） subsequence LCS 。发现了新的基因序列的生物学家通常想知道该基因序列与其他哪个 序列最相似。查找 LCS 是计算两个序列相似程度的一种方法：LCS 越长，两个序列越相 似。 子序列中的字符与子字符串中的字符不同，它们不需要是连续的。例如，ACE 是 ABCDE 的 子序列，但不是它的子字符串。请看下面两个 DNA 序列：  S1 = DEGCCCTAGCGDE  S2 = DEGCGCAATGDE 一个 唯一的 这两个序列的 LCS 是 GCCAG。（请注意，这仅是 LCS，而不是 LCS，因为 可能存在其他长度相同的公共子序列。这种最优化问题和其他最优化问题的解可能不止一 个。） LCS 算法 首先，考虑如何递归地计算 LCS。令：  C1 是 S1 最右侧的字符  C2 是 S2 最右侧的字符  S1 是 S1 中 “切掉” C1 的部分  S2 是 S2 中 “切掉” C2 的部分 有三个递归子问题：  L1 = LCS(S1, S2)  L2 = LCS(S1, S2)  L3 = LCS(S1, S2) 结果表明（而且很容易使人相信）原始问题的解就是下面三个子序列中最长的一个：  L1  L2  如果 C1 等于 C2，则为 L3 后端加上 C1 ，如果 C1 不等于 C2，则为 L3。 （基线条件（base case）是 S1 或 S2 为长度为零的字符串的情形。在这种情况下，S1 和 S2 的 LCS 显然是长度为零的字符串。） 但是，就像计算斐波纳契数的递归过程一样，这个递归解需要多次计算相同的子问题。可以 证明，这种递归解法需要耗费指数级的时间。相比之下，这一问题的动态编程解法的运行时 间是 Θ(mn)，其中 m 和 n 分别是两个序列的长度。 为了用动态编程有效地计算 LCS，首先需要构建一个表格，用它保存部分结果。沿着顶部 列出一个序列，再沿着左侧从上到下列出另一个序列，如图 2 所示： 图 2. 初始 LCS 表格 这种方法的思路是：将从上向下、从左到右填充表格，每个单元格包含一个数字，代表该行 和该列之前的两个字符串的LCS 的长度。也就是说，每个单元格包含原始问题的一个字问 题的解。例如，请看第 6 行第 7 列的单元格：它在 GCGCAATG 序列第二个 C 的右侧， 在 GCCCTAGCG 的 T 的下面。这个单元格最终包含的数字就是GCGC 和 GCCCT 的 LCS 的长度。 首先看一下表格的第二行中应该是什么条目。这一行的单元格保存的 LCS 长度对应的是序 列 GCGCAATA 的零长前端和序列 GCCCTAGCG 的 LCS。显然，这些 LCS 的值都是 0。类似的，沿着第二列向下的值也都是0，这与递归解的基线条件对应。现在表格如图3 所示： 图 3.填充了基线条件的 LCS 表格 接下来，要实现与递归算法中递归子问题对应的情景，但这时使用的是表格中已经填充的值。 在图 4 中，我已经填充了一半左右的单元格： 图 4.填充了一半的 LCS 表格 在填充单元格时，需要考虑以下条件：  它左侧的单元格  它上面的单元格  它左上侧的单元格 下面三个值分别对应着我在前面列出的三个递归子问题返回的值。  V1 = 左侧单元格的值  V2 = 上面单元格的值  V3 = 左上侧单元格的值 在空单元格中填充下面 3 个数字中的最大值：  V1  V2  如果 C1 等于 C2 则为 V3 + 1 ，如果 C1 不等于 C2，则为 V3 ，其中 C1 是 当前单元格