[字符串]-------[后缀数组]

后缀数组简介

在计算机科学里, 后缀数组（英语：suffix array）是一个通过对字符串的所有后缀经过排序后得到的数组。此数据结构被运用于全文索引、数据压缩算法、以及生物信息学。
后缀数组被乌迪·曼伯尔与尤金·迈尔斯于1990年提出，作为对后缀树的一种替代，更简单以及节省空间。它们也被Gaston Gonnet 于1987年独立发现，并命名为“PAT数组”。

后缀数组（Suffix Array）本质上是对一个字符串的所有后缀进行排序，之后会得到两个信息，分别是：

• $SA[i]$，表示排名为 $i$ 的后缀的起始位置。
• $Rank[i]$，表示起始位置为 $i$ 的后缀的排名。

$SA$数组和 $Rank$ 数组是类似反函数的关系，有：$SA[Rank[i]]=Rank[SA[i]]=i$，也就是说如果我求出了其中一个数组，就可以很快知道另一个数组。利用这两个信息，可以处理很多字符串相关的问题。

SA的求法

显然有 $O(n^2\log n)$ 的暴力做法：即对每个后缀进行快速排序，由于字符串比较大小的复杂度是 $O(len)$，因此总的复杂度是 $O(n^2\log n)$，我们需要一个办法来优化他。

这里利用了倍增的思想（类似$ST$表）。我们给 $SA$ 数组和 $Rank$ 数组增加一维：令 $SA[i][k]$表示，在所有长度为 $2^k$的子串中，排名第 $i$ 的子串的起始位置。类似地定义$Rank[i][k]$ 表示 起始位置为 $i$，长度为 $2^k$ 的子串，在所有长度为$2^k$的子串中的排名。如果子串长度不足 $2^k$ 则用 ‘\0’（字典序最小字符）补全。

所以现在可以写出算法大概的流程，以求 $Rank$ 数组为例。

• 先求出 $Rank[1...len][0]$
• 再求出 $Rank[1...len][1]$
  $⋮$
• 求出 $Rank[1...len][n]$

显然当 $2^n>=len$ 时，子串排序就相当于后缀排序，因为此时所有子串都延申到了字符串的末尾。算法也就完成了。

那么如何在已知 $Rank[i][k]$ 的 情况下求 $Rank[i][k+1]$ 呢。我可以把长度为 $2^{k+1}$ 的子串（也就是现在要求排名的）分成两个长度为 $2^k$ 的部分。这两部分的起始点分别是 $i$ 和 $i+2^k$。且这两部分的排名都是已知的，分别是 $Rank[i][k]$ 和 $Rank[i+2^k][k]$。因此在对长度为 $2^{k+1}$ 的子串进行排序时，可以直接利用 $Rank[i][k]$ 来比较两个子串的大小。

假设要进行比较的两个长度为 $2^{k+1}$ 的子串的起始点分别是 $i$ 和 $j$，那么我们可以先比较 $Rank[i][k]$ 和 $Rank[j][k]$ ，如果不相等，则比较结束。否则比较 $Rank[i+2^k][k]$ 和 $Rank[j+2^k][k]$。所以这个过程相当于每一轮迭代中，对 $(Rank[i][k]，Rank[i+2^k][k])$ 这个二元组进行排序。

我们可以直接建立 $Pair$ 进行快速排序，但这样做的时间复杂度为 $O(n{\log }^{2}n)$，还不是最优解。

注意到需要排序的元素为二元组，且每个元素的值域为不超过 $N$ 的整数，因此可以考虑使用基数排序来将排序过程优化到 $O(n)$。

实际实现细节与代码

在求 $Rank$ 数组的实际实现中，并不需要真的去找所有长度为 $2^k$ 的子串，也不需要多开一维数组。而是对排位信息的合并。

初始时，$k=0$，也就是说我们相当于在对单个字符进行排序，这时候可以直接用字符的 ASCII 码值作为关键字。

然后 $k=1$，也就是对每两个相邻字符的子串进行排序，这时候可以直接用上一次排序得到的关键字，以前一个字符的排名作为第一关键字，第二个字符的排名作为第二关键字。得到长度为 2 的子串的排序。相当于合并了上一次排序的信息。排序后重新标号。

然后 $k=2$，此时可以想到，对于目前的一个位置 $i$，它的第一关键字就在位置 $i$，但他的第二关键字在位置 $i+2$。因为位置 $i$ 上是起始点为 $i$ 的长度为 2 的子串的排名，而$i+2$ 上是 $i$ 为起始点的长度为 2 的子串的排名，他们两个关键字合并起来的二元组，就是 第 $i$ 个长度为 4 的子串的排名。

后面以此类推。

下面以字符串 $str="aababab"$，演示一下这个过程。

• k = 0，直接按字符大小给定关键字

str	a	a	b	a	b	a	b
rank	1	1	2	1	2	1	2

• k = 1，按照 $(i，i+1)$ 的二元组给定关键字，关键字分别是：(1，1)，(1，2)，(2，1)，(1，2)，(2，1)，(1，2)，(2，0)。超出部分补0。重新标号结果为：

str	a	a	b	a	b	a	b
rank	1	2	4	2	4	2	3

• k = 2，按照 $(i，i+2)$ 的二元组给定关键字，关键字分别是：(1，4)，(2，2)，(4，4)，(2，2)，(4，3)，(2，0)，(3，0)。

str	a	a	b	a	b	a	b
rank	1	3	6	3	5	2	4

• k = 3，按照 $(i，i+4)$ 的二元组给定关键字，关键字分别是：(1，5)，(3，2)，(6，4)，(3，0)，(5，0)，(2，0)，(4，0)。

str	a	a	b	a	b	a	b
rank	1	4	7	3	6	2	5

$2^3=8>len$，算法结束，最终 R a n k = { 1 ， 4 ， 7 ， 3 ， 6 ， 2 ， 5 } Rank=\{1，4，7，3，6，2，5\} Rank={1，4，7，3，6，2，5}，请读者自行验证。

代码

#include <cstdio>
#include <algorithm>
#include <cstring>
#include <iostream>
#define MAXN 1000010
using namespace std;
char s[MAXN];
int N, M, SA[MAXN], Rank[MAXN<<1];
int oldrk[MAXN], id[MAXN], cnt[MAXN];
void Suffix_Array()
{
	for(int i=1;i<=N;i++)
	{
		Rank[i] = s[i];
		++cnt[Rank[i]];
	}
	for(int i=1;i<=M;i++)
	    cnt[i] += cnt[i-1];
	for(int i=N;i>=1;i--)
	    SA[cnt[Rank[i]]--] = i;
	for(int k=1;k<N;k<<=1)
	{
		memset(cnt, 0, sizeof(cnt));
		for(int i=1;i<=N;i++)
		    id[i] = SA[i];
		for(int i=1;i<=N;i++)
		    ++cnt[Rank[id[i]+k]];
		for(int i=1;i<=M;i++)
		    cnt[i] += cnt[i-1];
		for(int i=N;i>=1;i--)
		    SA[cnt[Rank[id[i]+k]]--] = id[i];
		memset(cnt, 0, sizeof(cnt));
		for(int i=1;i<=N;i++)
		    id[i] = SA[i];
		for(int i=1;i<=N;i++)
		    ++cnt[Rank[id[i]]];
		for(int i=1;i<=M;i++)
		    cnt[i] += cnt[i-1];
		for(int i=N;i>=1;i--)
		    SA[cnt[Rank[id[i]]]--] = id[i];
		memcpy(oldrk, Rank, sizeof(Rank));
		for(int p = 0, i = 1; i <= N;i++) 
		{
            if(oldrk[SA[i]] == oldrk[SA[i - 1]] &&
                oldrk[SA[i] + k] == oldrk[SA[i - 1] + k]) 
			{
                Rank[SA[i]] = p;
            }     
	        else 
	        {
                Rank[SA[i]] = ++p;
            }
        }
	}
}
int main()
{
	scanf("%s", s+1);
	N = strlen(s+1);
	M = max(N, 300);
	Suffix_Array();
	for(int i=1;i<=N;i++)
	    printf("%d ", SA[i]);
	return 0;
}