动态规划之正则表达
本文转载自:https://github.com/labuladong/fucking-algorithm/blob/master/%E5%8A%A8%E6%80%81%E8%A7%84%E5%88%92%E7%B3%BB%E5%88%97/%E5%8A%A8%E6%80%81%E8%A7%84%E5%88%92%E4%B9%8B%E6%AD%A3%E5%88%99%E8%A1%A8%E8%BE%BE.md
自己加了C++部分的代码,还有些个人注释;
正则表达式匹配是一个很精妙的算法,而且难度也不小。本文主要写两个正则符号的算法实现:点号「.」和星号「*」,如果你用过正则表达式,应该明白他们的用法,不明白也没关系,等会会介绍。文章的最后,介绍了一种快速看出重叠子问题的技巧。
本文还有一个重要目的,就是教会读者如何设计算法。我们平时看别人的解法,直接看到一个面面俱到的完整答案,总觉得无法理解,以至觉得问题太难,自己太菜。我力求向读者展示,算法的设计是一个螺旋上升、逐步求精的过程,绝不是一步到位就能写出正确算法。本文会带你解决这个较为复杂的问题,让你明白如何化繁为简,逐个击破,从最简单的框架搭建出最终的答案。
前文无数次强调的框架思维,就是在这种设计过程中逐步培养的。下面进入正题,首先看一下题目:
一、热身
第一步,我们暂时不管正则符号,如果是两个普通的字符串进行比较,如何进行匹配?我想这个算法应该谁都会写:
bool isMatch(string text, string pattern) {
if (text.size() != pattern.size())
return false;
for (int j = 0; j < pattern.size(); j++) {
if (pattern[j] != text[j])
return false;
}
return true;
}
然后,我稍微改造一下上面的代码,略微复杂了一点,但意思还是一样的,很容易理解吧:
bool isMatch(string text, string pattern) {
int i = 0; // text 的索引位置
int j = 0; // pattern 的索引位置
while (j < pattern.size()) {
if (i >= text.size())
return false;
if (pattern[j++] != text[i++])
return false;
}
// 相等则说明完成匹配
return j == text.size();
}
如上改写,是为了将这个算法改造成递归算法(伪码):
def isMatch(text, pattern) -> bool:
if pattern is empty: return (text is empty?)
first_match = (text not empty) and pattern[0] == text[0]
return first_match and isMatch(text[1:], pattern[1:])
对应C++代码如下:
bool isMatch(string text, string pattern)
{
if (0 == pattern.size())
return 0 == text.size() ? true : false;
bool first_match = false;
first_match = ((0 != text.size()) && pattern[0]==text[0]);
return first_match && isMatch(text.substr(1), pattern.substr(1));
}
如果你能够理解这段代码,恭喜你,你的递归思想已经到位,正则表达式算法虽然有点复杂,其实是基于这段递归代码逐步改造而成的。
二、处理点号「.」通配符
点号可以匹配任意一个字符,万金油嘛,其实是最简单的,稍加改造即可:
def isMatch(text, pattern) -> bool:
if not pattern: return not text
first_match = bool(text) and pattern[0] in {text[0], '.'}
return first_match and isMatch(text[1:], pattern[1:])
pattern[0] in {text[0], '.'} pattern[0] 在不在{text[0], '.'}
组成的序列里
如果 pattern[0] 为'.'
,那么它一定为true,这样就可以匹配到任意单个字符了,C++实现如下:
string temp = {text[0], '.'};
first_match = ((0 != text.size()) && std::string::npos != temp.find(pattern[0]));
bool isMatch(string text, string pattern)
{
if(0 == pattern.size())
return 0 == text.size() ? true : false;
bool first_match = false;
//这里也可以不创建新的string
first_match = ((0 != text.size()) && (pattern[0] == text[0] || pattern[0] == '.'));
return first_match && isMatch(text.substr(1), pattern.substr(1));
}
三、处理「*」通配符
星号通配符可以让前一个字符重复任意次数,包括零次。那到底是重复几次呢?这似乎有点困难,不过不要着急,我们起码可以把框架的搭建再进一步:
def isMatch(text, pattern) -> bool:
if not pattern: return not text
first_match = bool(text) and pattern[0] in {text[0], '.'}
if len(pattern) >= 2 and pattern[1] == '*':
# 发现 '*' 通配符
else:
return first_match and isMatch(text[1:], pattern[1:])
星号前面的那个字符到底要重复几次呢?这需要计算机暴力穷举来算,假设重复 N 次吧。前文多次强调过,写递归的技巧是管好当下,之后的事抛给递归。具体到这里,不管 N 是多少,当前的选择只有两个:匹配 0 次、匹配 1 次。所以可以这样处理:
if len(pattern) >= 2 and pattern[1] == '*':
return isMatch(text, pattern[2:]) or \
first_match and isMatch(text[1:], pattern)
# 解释:如果发现有字符和 '*' 结合,
# 或者匹配该字符 0 次,然后跳过该字符和 '*'
# 或者当 pattern[0] 和 text[0] 匹配后,移动 text
可以看到,我们是通过保留 pattern 中的「*」,同时向后推移 text,来实现「*」将字符重复匹配多次的功能。举个简单的例子就能理解这个逻辑了。假设 pattern = a*
, text = aaa
,画个图看看匹配过程:
相应的C++版本:
bool isMatch(string text, string pattern)
{
if (0 == pattern.size() && 0 == text.size())
return true;
if (0 == pattern.size() && 0 != text.size())
return false;
bool first_match = false;
first_match = ((0 != text.size()) && (pattern[0] == text[0] || pattern[0] == '.'));
if (pattern.length() >= 2 && '*' == pattern[1])
{
// 发现'*'通配符
return isMatch(text, pattern.substr(2)) || (first_match && isMatch(text.substr(1), pattern));
}
else
{
return first_match && isMatch(text.substr(1), pattern.substr(1));
}
}
至此,正则表达式算法就基本完成了,
四、动态规划
我选择使用「备忘录」递归的方法来降低复杂度。有了暴力解法,优化的过程及其简单,就是使用两个变量 i, j 记录当前匹配到的位置,从而避免使用子字符串切片,并且将 i, j 存入备忘录,避免重复计算即可。
我将暴力解法和优化解法放在一起,方便你对比,你可以发现优化解法无非就是把暴力解法「翻译」了一遍,加了个 memo 作为备忘录,仅此而已。
# 带备忘录的递归
def isMatch(text, pattern) -> bool:
memo = dict() # 备忘录
def dp(i, j):
if (i, j) in memo: return memo[(i, j)]
if j == len(pattern): return i == len(text)
first = i < len(text) and pattern[j] in {text[i], '.'}
if j <= len(pattern) - 2 and pattern[j + 1] == '*':
ans = dp(i, j + 2) or \
first and dp(i + 1, j)
else:
ans = first and dp(i + 1, j + 1)
memo[(i, j)] = ans
return ans
return dp(0, 0)
# 暴力递归
def isMatch(text, pattern) -> bool:
if not pattern: return not text
first = bool(text) and pattern[0] in {text[0], '.'}
if len(pattern) >= 2 and pattern[1] == '*':
return isMatch(text, pattern[2:]) or \
first and isMatch(text[1:], pattern)
else:
return first and isMatch(text[1:], pattern[1:])
对应的C++
版本,C++
版本需要注意的是:定义了三个类的成员变量vector<vector<bool> > mem; string text; string pattern;
而不是做成函数传参,为什么呢?因为做成函数传参会消耗较多的内存,这是一个递归调用,将vector数组作为函数的参数递归调用,会造成许多无用的拷贝,复制参数的过程;最后提交还会超时错误;
class Solution {
public:
bool isMatch(string text, string pattern)
{
if (0 == pattern.size())
return 0 == text.size() ? true : false;
// 初始化一个备忘录,二维数组,大小为(m+1)*(n+1)
int m = text.size(), n = pattern.size();
// m 为text的长度 n为pattern的长度
mem.resize(m + 1);
// 这个才能mem[i] resize才能正常
for (int i = 0; i < mem.size(); i++)
{
mem[i].resize(n + 1);
for (bool flag : mem[i])
{
flag = false;
}
}
this->text = text;
this->pattern = pattern;
return helper(0, 0);
}
bool helper(int i, int j)
{
if (mem[i][j])
return mem[i][j];
if (j == pattern.size())
return i == text.size();
bool first_match = false;
first_match = ((i < text.size()) && (pattern[j] == text[i] || pattern[j] == '.'));
bool ans = false;
if (j <= pattern.size() - 2 && '*' == pattern[j + 1])
{
// 发现'*'通配符
bool a = helper(i, j + 2);
bool b = first_match && helper(i + 1, j);
ans = a || b;
}
else
{
ans = first_match && helper(i + 1, j + 1);
}
mem[i][j] = ans;
return ans;
}
private:
vector<vector<bool> > mem;
string text;
string pattern;
};
这里再放一下从底而上的迭代算法,说实话,这个真正的迭代算法如下,但是first_match比较难以理解:不同的分支不同算法,没理解
class Solution {
public:
bool isMatch(string s, string p)
{
int m = s.size(), n = p.size();
vector<vector<bool>> dp(m + 1, vector<bool>(n + 1, false));
dp[0][0] = true;
bool first_match = false;
for (int i = 0; i <= m; ++i)
{
for (int j = 1; j <= n; ++j)
{
if (j > 1 && p[j - 1] == '*')
{
first_match = i > 0 && (s[i - 1] == p[j - 2] || p[j - 2] == '.');
dp[i][j] = dp[i][j - 2] || (first_match && dp[i - 1][j]);
}
else
{
// first_match = i > 0 && (s[i - 1] == p[j - 1] || p[j - 1] == '.');
// i > 0 必须放在前面,否则i-1可能会越界
dp[i][j] = i > 0 && dp[i - 1][j - 1] && (s[i - 1] == p[j - 1] || p[j - 1] == '.');
}
}
}
return dp[m][n];
}
};
迭代算法,但是实际上还是自顶而下的迭代算法,leetcode题解看到的如下:
class Solution {
public:
bool isMatch(string text, string pattern) {
int m = text.size(), n = pattern.size();
vector<vector<bool>> dp(m + 1, vector<bool>(n + 1, false));
dp[m][n] = true;
for (int i = text.size(); i >= 0; i--){
for (int j = pattern.size()- 1; j >= 0; j--){
bool first_match = (i < text.length() &&
(pattern[j] == text[i] ||
pattern[j] == '.'));
if (j + 1 < pattern.size() && pattern[j+1] == '*'){
dp[i][j] = dp[i][j+2] || first_match && dp[i+1][j];
} else {
dp[i][j] = first_match && dp[i+1][j+1];
}
}
}
return dp[0][0];
}
};
有的读者也许会问,你怎么知道这个问题是个动态规划问题呢,你怎么知道它就存在「重叠子问题」呢,这似乎不容易看出来呀?
解答这个问题,最直观的应该是随便假设一个输入,然后画递归树,肯定是可以发现相同节点的。这属于定量分析,其实不用这么麻烦,下面我来教你定性分析,一眼就能看出「重叠子问题」性质。
先拿最简单的斐波那契数列举例,我们抽象出递归算法的框架:
def fib(n):
fib(n - 1) #1
fib(n - 2) #2
看着这个框架,请问原问题 f(n) 如何触达子问题 f(n - 2) ?有两种路径,一是 f(n) -> #1 -> #1, 二是 f(n) -> #2。前者经过两次递归,后者进过一次递归而已。两条不同的计算路径都到达了同一个问题,这就是「重叠子问题」,而且可以肯定的是,只要你发现一条重复路径,这样的重复路径一定存在千万条,意味着巨量子问题重叠。
同理,对于本问题,我们依然先抽象出算法框架:
def dp(i, j):
dp(i, j + 2) #1
dp(i + 1, j) #2
dp(i + 1, j + 1) #3
提出类似的问题,请问如何从原问题 dp(i, j) 触达子问题 dp(i + 2, j + 2) ?至少有两种路径,一是 dp(i, j) -> #3 -> #3,二是 dp(i, j) -> #1 -> #2 -> #2。因此,本问题一定存在重叠子问题,一定需要动态规划的优化技巧来处理。
五、最后总结
通过本文,你深入理解了正则表达式的两种常用通配符的算法实现。其实点号「.」的实现及其简单,关键是星号「*」的实现需要用到动态规划技巧,稍微复杂些,但是也架不住我们对问题的层层拆解,逐个击破。另外,你掌握了一种快速分析「重叠子问题」性质的技巧,可以快速判断一个问题是否可以使用动态规划套路解决。
回顾整个解题过程,你应该能够体会到算法设计的流程:从简单的类似问题入手,给基本的框架逐渐组装新的逻辑,最终成为一个比较复杂、精巧的算法。所以说,读者不必畏惧一些比较复杂的算法问题,多思考多类比,再高大上的算法在你眼里也不过一个脆皮。
如果本文对你有帮助,欢迎关注我的公众号 labuladong,致力于把算法问题讲清楚~