数据结构小笔记-String

学堂在线数据结构下-第十三章-串String
20220602

串（String）：S[0,n)
字符串——有限字符序列。
String在结构上相当于vector。
字符的种类不多，但 串长n >> 字符种类。

串的术语——相等、子串、前缀、后缀、联系、空串。

空串 != 由空格组成的串。
空串 == 长度为0的串
空串是任何串的子串、前缀、后缀。

索引接口（indexOf(P)）——判等接口（equal()）的一般化推广
用于判断字符串P是否为当前字符串的子串（串匹配问题）。

-----------

串匹配——在某文本串中，查找特定模式串。

【1】蛮力（Brute-Force）匹配算法——文本串与模式串的首字符对齐，自左向右，以单字符为单位间隔，在文本串中依次移动模式串并进行比对，直到文本串与模式串在某位置完全匹配。只要某位置有一对字符失配，则模式串在该位置无法匹配。最好情况O(m)；最坏情况O(nm) （其实是O((n-m)m)，但n>>m>>2，所以等价于O(nm)）。
文本串与模式串在蛮力算法下的每轮比对，在失配字符之前的多次单字符比对 均局部匹配——若充分利用这一信息（【记忆力】）可适当跳过（文本串中的）多个字符——将 模式串中的某字符 与 文本串中的失配字符 重新对齐（【预知力】），再重新开始下一轮比对……使模式串快速右移，减少总的比对次数，大幅提高效率。

---

20220603

【2】KMP算法——最坏情况时间复杂度也能O(n) （其实是O(n+m)，但n>>m>>2，所以可记为 O(n)）。
关键步骤—— 一旦失配，赋值 j = next[j];
本质——构造next[]查询表（仅取决于 模式串。模式串自身的匹配性（自匹配）——模式串的某前缀P[0,t) 与 模式串失配字符前的前缀P[0,j)中的后缀P[j-t,j) 相等—— P[0,t)==P[j-t,j) ）。
模式串的自匹配性质——排除不必要的对齐位置，模式串快速右移。
模式串的最长自匹配 == j-t; 快速右移 + 避免回退（t越小越好）。
Next[0]=-1; ——在模式串首字符之前（秩为-1）增设一虚拟哨兵，其在逻辑上与任一字符均匹配（【通配符】）。Next[0]=-1; 在语义上是指，在模式串与文本串的某轮比对中，模式串的首字符就已失配，于是将 虚拟哨兵通配符 与 文本串失配字符 对齐，进行下一轮比对（通配符与任一字符均局部匹配，等效于模式串右移一位）。
递归构造next[]查询表——
next[0]=-1;
next[j] < j;
1 + next[0] == 0;
next[j+1]依次递归是
== 1 + next[j]; //若P[j] == P[next[j]]
== 1 + next[next[j]]; //若P[j] == P[next[next[j]]]
== 1 + next[next[next[j]]]; //若P[j] == P[P[next[next[j]]]]
== ......

-

buildNext() 的 时间复杂度 O(m)。
KMP算法中的 匹配失配循环体 的 时间复杂度 O(n)==2n-1。
KMP算法的整体时间复杂度 O(n)（其实是O(n+m)，但n>>m>>2，所以可记为 O(n)）。

-

KMP算法改进——模式串自相似（自匹配）+失配字符不相似。
本质是改进next[]查询表。等效于进一步加速右移。
某轮比对失配之后，在下一轮比对之前，模式串与文本串重新对齐的条件：（1）自相似：失配字符之前的模式串子串中，其某一前缀与其某一后缀相等。（2）不相似：模式串的失配字符P[j] != P[t]。满足这两个条件后，才可进行下一轮比对。

-

模式串与文本串匹配失败时的最好情况的时间复杂度也 = O(n)。而且，字符集规模越大，这种情况出现的概率也越大。因此，字符集规模越大，KMP算法与BF算法的性能差异越不明显。
相反地，字符集规模越小，KMP算法的性能优势越明显。因此，教材常用{0,1}二进制字符集来讲解KMP算法（因为字符集规模=2，非常小）。

---

【3】BM算法：适用于 快速失败 的 大规模字符集。
字符串匹配问题中，只要 字符集规模|Σ|>>2 ，即规模不太小，局部单字符匹配成功概率（1/(|Σ|)） 就远小于 失配概率。
只要 模式串中的任一字符 不同于 文本串中对应位置的字符，则可判定失配。因此，模式串与文本串的比对操作中，判断不等（比 判断相等）效率更高。

每轮比对，只需【在模式串中从右向左（从 模式串的末字符 向 模式串的首字符）】逐个比对单字符、并找到【模式串中最靠右（最靠近末尾）的】失配字符，即可排除 文本串中的若干对齐位置，从而重新确定下一轮比对的文本串中的对齐位置，实现模式串的快速右移（快速后移）。

字符集规模|Σ|越大，单字符匹配成功的概率越小，BM算法的优势越明显。所以，汉字（5000多个常用字符）或UniCode字符集 适用 BM算法 进行字符串匹配。

-

【3.1】BM_BC（Boyer-Moore_Bad-Character）【坏字符策略】：适用于 快速失败。
本质——构造BC[]查询表。
对于任一字符X：bc(X) = rank(X); 
（模式串中没有 文本串中的失配字符X 时，在模式串首字符之前增设虚拟哨兵（秩为-1），模式串的虚拟哨兵通配字符 与 文本串中的失配字符X 对齐后进行下一轮比对。）
（模式串中有多个 文本串中的失配字符X 时，取X的最大秩（更靠近模式串末尾）。）
（模式串中存在 文本串中的失配字符X 时，若模式串中的秩最大的X 出现在 模式串中的失配字符Y 的右边（更靠近末尾），则模式串直接右移一位、再进行下一轮比对（而不必将 模式串中的最大秩的X 回溯对齐于 文本串中的失配字符X）。）

bc[]查询表 的空间复杂度 = O(|Σ|)。
bc[]查询表 的时间复杂度 = O(|Σ|+m) （可改进为O(m)）。

BM算法BC策略的最好情况的时间复杂度 = O(n/m)。

字符集规模|Σ|越大，单字符匹配成功的概率越小，BM算法的优势越明显。所以，汉字（5000多个常用字符）或UniCode字符集 适用 BM算法 进行字符串匹配。

BM算法BC策略的最坏情况的时间复杂度 = O(nm)（=O((n-m)m)，因为n>>m，所以等价于O(nm)），退化为蛮力算法。此时，再额外添加一条【GS好后缀策略】，配合上述的【BC坏字符策略】，可使BM算法趋向完美。

-

20220604

【3.2】BM_GS（Boyer-Moore_Good-Suffix）【好后缀策略】：
互补于BC策略，弥补BC策略最坏情况的不足。
本质——构造GS[]查询表。

BM算法的某一轮比对中，模式串与文本串对齐后，【在模式串中从右向左（从 模式串的末字符 向 模式串的首字符）】逐个比对单字符、并找到【模式串中最靠右（最靠近末尾）的】失配字符Y（此时，该轮比对的文本串中的失配字符为X）。模式串中的失配字符Y右侧（向模式串末尾）的后缀即【好后缀】，因为这个好后缀在该轮比对中与文本串局部匹配。GS策略利用【记忆力】，预先在模式串中找出 与好后缀相等的子串，将该子串（一步到位）右移至该轮比对的好后缀的局部匹配处，实现快速右移。
若 模式串中与好后缀相等的子串 有多个，则为不遗漏可能的成功匹配、避免回溯，右移量越小越好，故应选择 模式串中最靠近末尾的 子串。
若模式串中没有 与好后缀相等的子串，则将模式串中的（与 模式串中的好后缀的某个后缀 相等的）最长前缀 对齐于 文本串中的（在该轮比对中 与 模式串中的好后缀的该后缀 相对应的）子串，再进行下一轮比对。

P[j] -> MS[j]子串 -> ss[j]==MS[j]的长度
ss[]查询表 -> GS[]查询表。

GS[]查询表的时间复杂度 O(m)。

-

BM算法 平行引入 BC策略、GS策略后，BM_BC+GS算法：
最好情况的时间复杂度 = O(n/m) + O(|Σ|+m)；
最坏情况的时间复杂度 = O(n+m) + O(|Σ|+m)。

-

时间复杂度：字符集规模|Σ|越小，单字符匹配成功概率（1/|Σ|）越大，串匹配的三种算法均越费时、效率越低。

O(n+m) <= BF算法 <= O(nm); BF算法 效率很低。
O(n+m) == KMP算法 == O(n+m); KMP算法 适用于 小规模字符集，性能优势更明显。
O(n/m) <= BM_BC算法 <= O(nm); BM_BC算法 仅适用于 大规模字符集。
O(n/m) <= BM_BC+GS算法 <= O(n+m); BM_BC+GS算法 性能最佳，大小规模字符集通用。

综合性能——
BM_BC+GS算法 优于 KMP算法 优于 BF算法。
BM_BC算法不稳定。

---

【4】Karp-Rabin算法：
本质——把 字符串 视为 整数。

凡物皆数——哥德尔编号法Godel numbering（任一有限维自然数向量 唯一对应于 某一自然数，由哥德尔编号公式、素数定义可知，该自然数也唯一对应于 上述向量。）
向量的元素个数（维数） == 互异素因子的个数

字符集是有限字符序列，若字符集共有s个互异字符，则把 0到s-1这s个自然数 依次作为 字符集中每个字符的编号，于是，任一文本串和模式串都是s进制串，即s进制数。每个字符串对应的s进制数 即 指纹【fingerprint】。

若字符集规模和模式串长度越大，则fingerprint越大，越易导致 数位溢出，串匹配的比对效率越低，需用hash function将fingerprint压缩为 在存储器支持的数位范围之内的hash值。

于是，每一轮比对都是判断 模式串的hash值 与 相应对齐位置的文本串子串的hash值 的自然数值是否相等，相等即“初步”匹配成功。但hash function不可避免会导致“多对一”冲突（即多个fingerprint对应同一个value），所以，在初步匹配成功（模式串的hash值 与 相应对齐位置的文本串子串的hash值 相等）后，还须对 模式串 与 该文本串子串 进行严格比对，才可确认整体匹配成功。

每用hash function计算一次hash值，时间复杂度似乎 = O(m)？于是，串匹配整体的时间复杂度似乎 = O((n-m)m) = O(nm)？此时，可利用（相邻两轮比对各自对应的）文本串中的子串 之间的高相关性（即 在相邻两轮比对中，（模式串分别对应的文本串子串的）fingerprint 之间的高相关性），可借助（第4章介绍过的）进制转换算法，在O(1)时间内迭代得到 下一轮比对中的文本串对齐子串的hash值，最终使串匹配的整体时间复杂度 = O(n)。

---------------