KMP算法

文章出处：http://www.cnblogs.com/epsilon/archive/2013/01/16/KMP.html

今天，寒假第5天。

从昨天开始，就有些体会到内心的疲乏和懈怠了。因为重复而单调的生活很难让内心感到“爽快”，甚至在当今社会显得有些不合时宜。但这种生活也自有它的调味品，那些被人称为“有些挑战性”的算法，就能带来些欢欣、掀起些波澜。今天写的KMP算法就算是其中的一个。

上学期《数据结构》老师说到KMP时就一带而过，因为书上打了星号（还是双星呢**），当时也就没仔细看，但是KMP却在我心中树立起了“伟岸”的形象。今天终于一睹其尊容，不亦快哉？

要讲清楚KMP算法确非易事，这倒不是应为它有多复杂，其实从直观上看，KMP是相当简单的。但是要用准确的语言表述，就感觉有些抽象。

我们看一个书上的例子：

   （图1）

上面的串叫做“主串”，下面的串是用来和“主串”匹配的，叫做“模式串”。在比较过程中，在i=3,j=3时不匹配了。怎么办？一般的想法是：让i=2,j=1，再进行比较。

（图2）

但KMP算法告诉我们，不用这样。在KMP算法中i是不会走回头路的。我们看看它是怎么做的。

（图3）

KMP算法直接让模式串向右移动2位。我们此时可能并不理解为什么可以这样。我们不妨再看看KMP算法下一步怎么做。

（图4）

在第二趟的比较过程中，很“不幸”的，模式串的前四个都匹配了，但是第五个和主串出现了不同。那下一步怎么做呢？我们直观观察发现，我们把模式串向右移3位就可以了。

（图5）

我们的直观告诉我们，连图5中的j=1的a也不用比较了，直接从j=2开始就可以了（不知道你的直观是不是这样~如果不是，尝试着多看几遍图4）。为什么中间的步骤都可以省略呢？其实在运行到图4状态的时候，我们已经对主串有所了解了，那就是主串[3…6]和模式串[1…4]一定是一样的。其实，KMP算法的优势就在于利用了我们在匹配过程中，对主串形成的了解，这种了解就是模式串和主串有相同的地方。比如在运行到图4状态时，想要了解主串i=7之前的具体情况，模式串就可以回答我们。

在运行到图4之后，我们接下来该做什么呢？因为主串和模式串已经出现了不匹配，那我们就应该把模式串进行移动。常规的思路就是：把模式串向右移动1位，看看和主串是否匹配；若不匹配，就移动2位。。。直到匹配或是比较到最后。由于我们之前讲过，想要了解主串i=7之前的具体情况，模式串就可以回答我们。我们之所以能直接在图5中直接比较j=2，是因为和相同是相同的（见图6划线部分）。

（图6）

和是一定相同的，因为主串和模式串的这一位已经匹配，要想和相同，只要和相同即可。而这是模式串自存在起就已经决定的。我们是不是可以这样归纳(k的求法)：对于某一个j，只需在模式串[1..j-1]中找到两个相同的子串: 模[1..k-1]和 [j-k+1..j-1]（要保证k取到最大，这样才最有意义；在示例中k=2），然后我们继续比较主串的i和模式串的k就可以了。（仔细体会！）

对于模式串，它的每一位所对应的k都是确定的，示例中j=5时，k=2。我们可以用一个数组next[]来记录，其中next[j]=k。

KMP算法就是说这样，它在遇到不匹配后，不移动主串的i，而是将主串的第i位和模式串第k位继续比较。k则是在模式串确定后，计算好并保存在next[]数组中的。

 

//到此处，你应该明白了KMP的基本原理，以及k怎么求。

 

对于刚才所说的内容，下面有一个数学证明：（基本抄课本上的）

定理：设主串为’s₁s₂…s_n’，模式串为’p₁p_2。。。p_n’。

如果主串中第i个字符和模式串中第j个字符失配，此时主串第i个字符应该与模式串第k(k<j)个字符继续比较，则模式串前k-1个字符，且不存在k^’>k满足下列关系式：

‘p₁p_2。。。p_k-1’ = ‘s_i-k+1s_i-k+2…s_i-1’

已经得到的匹配部分是：

‘p_j-k+1p_{j-k+2。。。}p_j-1’ = ‘s_i-k+1s_i-k+2…s_i-1’

联立上面两式，得到

‘p₁p_2。。。p_k-1’ = ‘p_j-k+1p_{j-k+2。。。}p_j-1’

（就是说，在模式串中找到的k就是主串第i个字符应该与模式串继续比较的k。）

//证毕

 

下面说说怎么求next数组。下面是定义。

 

还是先看看课本上的例子。

（图7）

j==1时next[1]=0;j!=1时,手工算就是看看[1..j-1]最长的相同子串长度（[1..k-1]和[j-k+2..j-1]）。比如j=4时，前面最长的为[1]和[3],都是’a’,所以k=2。又如j=6时，最长的子串为[1..2]和[4..5],都是’ab’,所以k=3。

 

那怎么编程呢？如果对每个j都要这样一个个地算，是很费时间的。

我们发现，如果对于next[j]=k,那么next[j+1]则可以根据已经算出的值加以推算。

如果next[j]=k，则有：

‘p₁p_2。。。p_k-1’ = ‘p_j-k+1p_{j-k+2。。。}p_j-1’

（1）   若p_k=p_j,则有

‘p₁p_2。。。p_k’ = ‘p_j-k+1p_{j-k+2。。。}p_j’

也就是说，next[j+1]=k+1.

（2）   若p_k!=p_j,则有

‘p₁p_2。。。p_k’ != ‘p_j-k+1p_{j-k+2。。。}p_j’

我们把这个模式串既看成主串，也看成模式串。相当于在比较到主串的j和模式串的k时，发现二者不匹配。根据前面说的，KMP算法会将主串的j和模式串的next[k]继续比较。

（图8）

不妨令k^’=next[k].

假如p[j]==p[k^’],那就是说：p[j]之前有：

‘p₁p_2。。。p_k’’ != ‘p_j-k’+1p_{j-k’+2。。。}p_j’

（仔细体会）。

所以有：

next[j+1]=next[k]+1

假如p[j]!=p[k^’],那我们依次类推，令k^’=next[k^’], 看有没有[j]==p[k^’]成立.若不成立，重复这个操作…如果找不到这样的k^’(1< k^’<j),那么next[j+1]=1.

 

于是有下面的代码：

int GetNext(char *s,int next[])
{
    int i = 1,j = 0;
    next[1]=0;
    while(i<strlen(s)) {
        if(j==0 || s[i]==s[j]) {
            ++i;++j;
            next[i] = j;
        }
        else j = next[j];
    }
}

课本上最后对这个代码做了改进。

（图9）

如果next[j]=k,而模式串中p[k]==p[j]，那么如果主串中s_i!=p_j,就无需再比较s_i和p_k，而直接可以比较s_i和p_next[k].

改进后的代码如下：

void GetNext(char t[],int nextval[])
{
    int i = 1,j = 0;
    nextval[1] = 0;
    while(i<t[0]) {
        if(j == 0 || t[i]==t[j]) {
            ++i,++j;
            if(t[i]!=t[j]) nextval[i] = j;
            else nextval[i] = nextval[j];
        } 
        else j = nextval[j];
    }
}

再回过头来，看KMP的主代码，相信已经可以看懂了。

int Index_KMP(char s[],char t[],int pos,int nextval[])
//字符数组第0位不存放数据 
{
    int i = pos, j = 1;
    while(i<strlen(s)&&j<strlen(t)) {
        if(!j || s[i]==t[j]) {
            ++i;++j;
        }
        else
            j = nextval[j];
    }
    if(j>=strlen(t)) return i-strlen(t)+1;
    else return 0;
}

已经写得很多了：）

若有疏漏、错误，欢迎批评指正，多谢！