题目:
Given a string S, find the longest palindromic substring in S. You may assume that the maximum length of S is 1000, and there exists one unique longest palindromic substring.
题意:
给定一个字符串S,找到给定S字符串中最长的回文子串,可以假定给定的字符串最大长度为1000,字符串中只存在唯一的最长回文子串。
转载:http://www.cnblogs.com/bitzhuwei/p/Longest-Palindromic-Substring-Par-I.html 文章写得非常好,非常清晰,感谢原博主!
常见错误:
有人很快会想到这样一个方法。这个方法有缺陷,不过很容易修正。
<<翻转S成为S’。查找S和S’最长公共子串,就是S的最长回文子串。>>
看起来有道理的样子。用实例检验下。
例如S=”caba”,S’=”abac”。
S和S’的最长公共子串是”aba”,确实是S的最长回文子串。
再看个例子。
S=”abacdfgdcaba”,S’=”abacdgfdcaba”。
S和S’的最长公共子串是”abacd”,不过很明显这不是回文。
思路一:暴力穷举法,时间复杂度为O(N^3)
最简单的就是暴力穷举(Brute Force)对每个start和end位置的子串进行检测,判断其是否回文。显然有C(N,2)(组合)个子串。检测每个子串都需要O(N)的时间,所以此方法的时间复杂度为O(N^3)。
思路二:动态规划法O(N2)时间O(N2)空间
我们可以用动态规划(Dynamic Programming即DP)法对暴力穷举法进行改进。记住,诀窍就是避免重复计算(即重复检测同一子串)。考虑这个例子”ababa”。如果我们已经检测过”bab”是回文,那么只需判断一下最左右的两个字符(即两个a)是否相同即可判定”ababa”是否回文了。
总结起来就是:
定义二维数组P[i,j]用以表示Si…Sj是回文(true)或不是回文(false)
那么可知P[i,j] = (P[i + 1, j - 1] && Si ==Sj)
初始条件是:P[i, i]=true,P[i, i + 1] = (Si == Si+1)
这个DP法的思路就是,首先可以知道单个字符和两个相邻字符是否回文,然后检测连续三个字符是否回文,然后四个。。。
此算法时间复杂度O(N2),空间复杂度O(N2)。
代码:224ms
class Solution { public: string longestPalindrome(string s) { int n = s.length(); if (n<=1) return s; //处理空串与只有一个字母情况 int longestBegin = 0; int maxLen = 0; bool table[1000][1000] = {false}; //记录i到j之间是不是回文串 for (int i=0; i<n; i++) { //处理每个元素本身是回文的 table[i][i] = true; } for (int i=0; i<n-1; i++) { //处理如果前后两个元素相同,则为回文串,且长度为2 if (s[i] == s[i+1]) { table[i][i+1] = true; longestBegin = i; maxLen = 2; } } for (int len=3; len<=n; len++) { //动态规划法实现是否为回文串,即i+1、j-1之间为回文串之后再判断该回文串两边的元素是否相等,如果相等则回文串i、j之间也为回文串 for (int i=0; i<n-len+1; i++) { int j = i+len-1; if (s[i] == s[j] && table[i+1][j-1]) { table[i][j] = true; longestBegin = i; maxLen = len; } } } return s.substr(longestBegin, maxLen); 返回最长子串 } };
思路三:更简单的算法O(N^2)时间O(1)空间
下面介绍一个O(N2)时间O(1)空间的算法。
回文的特点,就是中心对称。对于有N个字符的字符串S,只有2N-1个中心。
为何是2N-1?因为两个字符之间的空档也可以是一个中心。例如”abba”的两个b中间就是一个中心。
围绕一个中心检测回文需要O(N)时间,所以总的时间复杂度是O(N2)。
代码:C++版:80ms
class Solution { public: string longestPalindrome(string s) { int n = s.length(); if (n <= 1) return s; string longest = s.substr(0,1); for (int i=0; i<n-1; i++) { string p1 = expandAroundCenter(s, i, i); //以每个元素作为中心旋转点 if (p1.length() > longest.length()) longest = p1; string p2 = expandAroundCenter(s, i, i+1); //以两个元素中间的空白作为中心旋转点 if (p2.length() > longest.length()) longest = p2; } return longest; } string expandAroundCenter(string s, int c1, int c2) { //计算中心点左右最长的回文子串 int l = c1, r = c2; int n = s.length(); while (l>=0 && r<=n-1 && s[l]==s[r]) { l--; r++; } return s.substr(l+1, r-l-1); } };
代码:C++版:4ms 用时最短
class Solution { public: string longestPalindrome(string s) { if (s.length()<=1) return s; int min_start = 0, max_len = 1; for (int i=0; i<s.size(); ) { if (s.size() - i <= max_len/2) break; int j = i, k = i; //i代表当前字符元素,j、k分别为了寻找当前字符i左右两边字符的 while (k < s.size()-1 && s[k+1] == s[k]) //处理相同两个相邻元素 ++k; i = k + 1; while (k < s.size()-1 && j > 0 && s[k+1] == s[j-1]) { //如果左右两个元素相同,则++k向右,--j向左。 ++k; --j; } int new_len = k - j + 1; //计算以当前字符为中心的回文串长度 if (new_len > max_len) { //如果新长度大于最大长度,则更新开始位置与最大回文串长度。 min_start = j; max_len = new_len; } } return s.substr(min_start, max_len); } };
思路四:著名的Manacher算法,时间复杂度为O(N);
提示:
先想想有什么办法能改进中心检测法。
考虑一下最坏的情况。★
最坏的情况就是各个回文相互重叠的时候。例如"aaaaaaaaaa"和" cabcbabcbabcba"。
为什么说有重叠时是最坏的情况?因为会发生重复计算。★(换句话说,没有重叠时,必须要一点一点计算,也就没有可改进的余地了。)
花费一些空间来避免重复计算。★
利用回文的特性避免重复计算。★
算法分析:
首先我们把字符串S改造一下变成T,改造方法是:在S的每个字符之间和S首尾都插入一个"#"。这样做的理由你很快就会知道。
例如,S="abaaba",那么T="#a#b#a#a#b#a#"。
想一下,你必须在以Ti为中心左右扩展才能确定以Ti为中心的回文长度d到底是多少。(就是说这一步是无法避免的)
为了改进最坏的情况,我们把各个Ti处的回文半径存储到数组P,用P[i]表示以Ti为中心的回文长度。那么当我们求出所有的P[i],取其中最大值就能找到最长回文子串了。
对于上文的示例,我们先直接写出所有的P研究一下。
i = 0 1 2 3 4 5 6 7 8 9 A B C |
T = # a # b # a # a # b # a # |
P = 0 1 0 3 0 1 6 1 0 3 0 1 0 |
显然最长子串就是以P[6]为中心的"abaaba"。
你是否发现了,在插入"#"后,长度为奇数和偶数的回文都可以优雅地处理了?这就是其用处。
现在,想象你在"abaaba"中心画一道竖线,你是否注意到数组P围绕此竖线是中心对称的?再试试"aba"的中心,P围绕此中心也是对称的。这当然不是巧合,而是在某个条件下的必然规律。我们将利用此规律减少对数组P中某些元素的重复计算。
我们来看一个重叠得更典型的例子,即S="babcbabcbaccba"。
上图展示了把S转换为T的样子。假设你已经算出了一部分P。竖实线表示回文"abcbabcba"的中心C,两个虚实线表示其左右边界L和R。你下一步要计算P[i],i围绕C的对称点是i’。你有办法高效地计算P[i]吗?
我们先看一下i围绕C的对称点i’(此时i’=9)。
据上图所示,很明显P[i]=P[i’]=1。这是因为i和i’围绕C对称。同理,P[12]=P[10]=0,P[14]=P[8]=0。
现在再看i=15处。此时P[15]=P[7]=7?错了,你逐个字符检测一下会发现此时P[15]应该是5。
为什么此时规则变了?
如上图所示,两条绿色实线划定的范围必定是对称的,两条绿色虚线划定的范围必定也是对称的。此时请注意P[i’]=7,超过了左边界L。超出的部分就不对称了。此时我们只知道P[i]>=5,至于P[i]还能否扩展,只有通过逐个字符检测才能判定了。
在此例中,P[21]≠P[9],所以P[i]=P[15]=5。
我们总结一下上述分析过程,就是这个算法的关键部分了。
if P[ i' ] < R – i, then P[ i ] ← P[ i' ] else P[ i ] ≥ R - i. (此时要穿过R逐个字符判定P[i]). |
(注:原作者的写法在逻辑上欠妥,我作了修正)
是不是很优雅?如果你能理解到这里,你已经搞定了这个算法最困难也最精华的部分了。
很明显C的位置也是需要移动的,这个很容易:
如果i处的回文超过了R,那么就C=i,同时相应改变L和R即可。 |
每次求P[i],都有两种可能。如果P[i'] < R – i,我们就P[i] = P[i’]。否则,就从R开始逐个字符求P[i],并更新C及其R。此时扩展R(逐个字符求P[i])最多用N步,而求每个C也总共需要N步。所以时间复杂度是2*N,即O(N)。
(注:原作者计算时间复杂度的这句话我没看懂。我自己想办法理解了,详情见下图。
图中i为索引,T为加入"#"、"^"和"$"后的字符串,P[i]就是算法里的p[i],calc[i]是为了求出P[i]而需要执行比较的次数。
"V"表示此列的字符与其左侧的字符进行了比较,在左侧用"X"对应。绿色的表示比较结果为两个字符相同(即比较结果为成功),红色的表示不同(即比较结果为失败)。
很显然"X"和"V"的数量是相等的。
你可以看到,所需的成功比较的次数(绿色的"V",表现为横向增长)不超过N,失败的次数(红色的"V",表现为纵向增长)也不超过N,所以这个算法的时间复杂度就是2N,即O(N)。
)
代码:java版本:60ms
public class Solution { public String longestPalindrome(String s) { String T = preProcess(s); int length = T.length(); int[] p = new int[length]; int C = 0, R = 0; for (int i=1; i<length-1; i++) { int i_mirror = C - (i - C); int diff = R - i; if (diff >= 0) { //当前i在C和R之间,可以利用回文的对称属性 if (p[i_mirror] < diff) { p[i] = p[i_mirror]; } else { p[i] = diff; //i处的回文可能超出C的大回文范围了 while (T.charAt(i + p[i] + 1) == T.charAt(i - p[i] - 1)) { p[i]++; } C = i; R = i + p[i]; } } else { p[i] = 0; while (T.charAt(i + p[i] + 1) == T.charAt(i - p[i] - 1)) { p[i]++; } C = i; R = i + p[i]; } } int maxLen = 0; int centerIndex = 0; for (int i=1; i<length-1; i++) { if (p[i] > maxLen) { maxLen = p[i]; centerIndex = i; } } return s.substring((centerIndex - 1 - maxLen)/2, (centerIndex - 1 - maxLen)/2 + maxLen); } public String preProcess(String s) { int n = s.length(); if (n == 0) return "^$"; String ret = "^"; for (int i=0; i<n; i++) { ret += "#" + s.substring(i, i+1); } ret += "#$"; return ret; } }
思路五:后缀树(suffix tree)。
不过其复杂度为O(N log N),构建后缀树也比较费劲,算法实现还比这个复杂。当然它也有其优势:能解决很多类似的问题。