【原创】kmp算法学习笔记

KMP算法

KMP算法的作用

KMP算法是由三个首字母分别为K，M，P的计算机学家发明的。
主要是拿来解决以下问题的：

有一个长度为M的字符串A和一个长度为N的字符串B。问B这个字符串完整地出现在了A字符串的哪个位置。

当然，一般来说，M远大于N，不过要是不远大于也未尝不行。

引入几个专业的名称，称A串为文本串，B串为模式串，也有称为母串子串、称A为主串，称B为关键字的。
那么KMP的过程就是我们常说的字符串匹配，一种关键字查询，的过程。

举例：
文本串：

那么KMP的过程就是我们常说的字符串匹配，一种关键字查询，的过程。

模式串：

过程

结果：

“过程”一词在文本串中$[6,7]$和$[30,31]$出现。

大概就这样。

这个过程叫字符串匹配，我越说越糊涂了。

字符串匹配的朴素算法

很容易的想到$\Theta (MN)$的算法：

for(int i=0;i<M;i++）
{
	bool flg=0;
	for(int j=0;j<N && !flg;j++)
		if(A[i+j]!=B[j]) flg=1;
	if(flg) {/*记录答案*/}
}

可以理解为枚举模式串的起点，然后一位位的枚举看接下来的N个字符是不是一样的。
大概是这样的：

也可以理解为将模式串摆在文本串的下面，开始比较，如果匹配失败，则将模式串后移一位，再次比较。

这样理解也可以写出如下代码：

for(int i=0,j=0;i<n;i++)
{
	if(j==m) {/*记录答案并回溯*/}
	if(A[i]!=B[j]) /*回溯*/  i=i-j+1,j=0;
	else i++,j++;
}

大概是这样吧。

试图优化朴素算法

我说，如果失配（匹配失败），非要“将模式串后移一位”吗？
比方说：

为什么呢？
不妨这么想：

假设你就是模式串，你只看得到你所经过的文本串。就像这样：

你发现，至少自己和文本串的前4个字符是不匹配的，剩下的，不知道，接下来要往前走几步呢？
\endline
答案很显然，当然是选择方案二——因为刚刚写了better！
唔姆（微笑掩饰着尴尬的表情）……
答案是——

如果采用方案二，你知道，至少你的第一位是匹配的，这里才有可能成功匹配，如果往后走一步，那么肯定是不匹配的，浪费时间。

那么，总之，kmp算法就是，在朴素字符串匹配的基础上，通过某种方案，来让每次失配后模式串最有效率地移动。

也可以说是对于之前给出的代码2，回溯时，i不变，j减小到某个合适的值。

KMP算法

字符串最长公共前后缀

字符串的前后缀

这个……
随便举个例子就过了吧：

字符串：%%%sdltqlwsl%%% （圣诞了，天气冷，我睡了）

长度	前缀	后缀
1	%	%
2	%%	%%
3	%%%	%%%
4	%%%s	l%%%
5	%%%sd	sl%%%
6	%%%sdl	wsl%%%
7	%%%sdlt	lwsl%%%
8	%%%sdltq	qlwsl%%%
9	%%%sdltql	tqlwsl%%%
10	%%%sdltqlw	ltqlwsl%%%
11	%%%sdltqlws	dltqlwsl%%%
12	%%%sdltqlwsl	sdltqlwsl%%%
13	%%%sdltqlwsl%	%sdltqlwsl%%%
14	%%%sdltqlwsl%%	%%sdltqlwsl%%%
15	%%%sdltqlwsl%%%	%%%sdltqlwsl%%%

最长公共前后缀

就是指最长的那个既是前缀又是后缀的字符串，当然不得是其本身。

比方说：
$$\begin{gathered} \%\%\%sdltqlwsl\%\%\%\to \%\%\% \\ aaaaaa\to aaaaa \\ abcdabc\to abc \end{gathered}$$
之类的。

KMP算法的流程

某年（1977年），$K$先生、$M$先生、$P$先生联合发表了一篇文章，他们认为，前文所说：“每次失配后最有效率的移动”，“$j$降到某个合适的值”，移动的距离就是——假设在模式串上j号位上失配，则令$j=nxt[j]$（尽管我个人喜欢用$fail[j]$，$fail[j]$代表模式串前$j-1$个字符的最长公共前后缀。)并给出证明以及计算$fail$数组的方法。

（小声BB：$\text{KATEX}$加粗不了汉字……）

所以kmp算法大概就是这么个东西：

inline int kmp()
{
	for(int i=0,j=0;;i++,j++)
	{
		if(j==m) return i-j+1;
		if(i==n) return -1;
		while(j!=-1 && a[i]!=b[j]) j=fail[j];
	}
}

其中$return-1;$代表匹配失败，$returni-j+1;$代表找到了第一次成功匹配的位置。

fail数组/nxt数组

$fail[j]$代表：
①第$j$位失配以后，$j$应该去往的地方。（看上面代码3）
②模式串前$i$个字符即$b[0,1,\cdots ,\mathbf{j}-1]$的最长公共前后缀长度。

其中$\mathbf{f}\mathbf{a}\mathbf{i}\mathbf{l}[0]=-1$。

正确性

为什么说移动到最长公共前后缀是有效率的？
。。。

懒得说了，比较显然吧。

如果不显然的话就是我的问题。

可计算性

假设我们已经求出了前$j-1$个$fail$，现在要求$fail[j]$。
对了别忘了，$fail[j]$代表模式串前$i$个字符即$b[0,1,\cdots ,\mathbf{j}-1]$的最长公共前后缀长度，是$\mathbf{b}[0,1,\cdots ,\mathbf{j}-1]$的最长公共前后缀长度，是$\mathbf{b}[0,1,\cdots ,\mathbf{j}-1]$的最长公共前后缀长度。
重要的事情说三遍。——尼采《善恶的彼岸》

那么：

为什么呢？

举例举例，这里有贪心的一点点想法：

我们想要求得$0\to j-1$的最长公共前后缀，我们希望借助前面的$fail$，尽快求出尽量大的公共前后缀。

我们自然会想：
如果，上一个求出来的最长公共前后缀，如果这俩的后一个字符相同的话，那岂不是很开心，现在要求的最长公共前后缀就是上一个求出来的最长公共前后缀+1。

如果不相等？
就是说，这个最长公共前后缀的长度它小于$fail[j-1]$，我们要要重新找后缀了，怎么做呢？把后缀的长度--，然后看这个长度的前后缀是不是相等的？这显然不行。那怎么办？
我们找最长公共前后缀一定是在某个之前的最长公共前后缀的长度+1得来的（-1+1=0），所以我们可以只看已经求出的$fail$。只有长度$<fail[j-1]$的$fail$，就有可能成为新的最长公共前后缀。于是我们就走$fail$链，这样就可以避免一些无用的查询了。

大家可以很明显地看出哪些是我之前写的哪些是我之后写的，认真和水一目了然。

KMP的代码

#include<cstdio>
#define maxn 1000005
#define maxm 10005
int T,n,m,a[maxn],b[maxm],fail[maxm];
inline void getfail()
{
	fail[0]=-1;
	for(int i=0,j=-1;i<m;fail[++i]=++j)
		while(j!=-1&&b[i]!=b[j]) j=fail[j];
}
inline int kmp()
{
	for(int i=0,j=0;;i++,j++)
	{
		if(j==m) return i-j+1;
		if(i==n) return -1;
		while(j!=-1&&a[i]!=b[j]) j=fail[j];
	}
}
int main()
{
	scanf("%d",&T);
	while(T--)
	{
		scanf("%d%d",&n,&m);
		for(int i=0;i<n;i++) scanf("%d",&a[i]);
		for(int i=0;i<m;i++) scanf("%d",&b[i]);
		getfail();
		printf("%d\n",kmp());
	}
}