字符串从入门到入土第二讲(Hash)

牛客字符串班笔记

Hash 定义

定义

Hash 是一种单射函数，可以将万物单向映射成一个整数值。

字符串 Hash 是指将一个字符串串映射成一个整数值，用于快速比较字符串是否相等。

H(S)：S的 Hash值，即映射后的整数值。

性质

必要性：若 S = T，一定有 H(S) = H(T)

非充分性：若 H(S) = H(T)，不一定有 S = T

Hash 检测

Hash 检测：通过 H(S) 和 H(T) 是否相等，来判断 S 和 T 是否相等的方法。

Hash 冲突：H(S) = H(T) ,但是 S ≠ T，即为发生 Hash 冲突。

Hash 检测时发生 Hash 冲突的概率是衡量 Hash 算法好坏的重要指标

设计 Hash 算法

多项式 Hash

将字符串看作是某个进制(Base)下的字符串。

$H(S)={\sum }_{i=1}^{i\le |s|=n}S[i]\ast Bas{e}^{1+n-i}$

$=H(S[1,|S|-1])\ast Base+S[|S|]$

$=S[1]\ast Bas{e}^n+S[2]\ast Bas{e}^{n-1}+...+S[n]\ast Bas{e}^0$

栗子:
字符集 $\sum =a,b,,...,o$分别对应十六进制的 1 2 … F
若 S = adenoo，则 $H(S)=145E{F}_{(16)}=1335039_{(10)}$

优点：字符串和 Hash 值一一对应，无 Hash 冲突

缺点：数据范围过大，难以存储和比较

多项式取模 Hash(模哈)

模哈是为了解决多项式 Hash 的缺点，在效率和冲突率之间进行的折中：

将多项式 Hash 的值对一个较大的质数取模。

H‘(S) = H(S) % Mod

优点：多项式 Hash 可以存储。

缺点：小概率发生 Hash 冲突。

模哈冲突概率

模哈冲突：H(S) ≠ H(T) 但 H(S) % Mod = H(T) % Mod

H(S) 被随机映射成 [1, Mod-1] 内的整数。

生日悖论

有 n 个人，他们的生日是 [1,365] 中的随机整数

若 $n>365$，一定有两个人生日相同

若$n\le 365$，没有人生日相同的概率为 $\frac{A(365,n)}{365^n}$

当 n = 23 时，上述结果约为 0.46，即有超过 50% 的概率有人生日相同。

即当检验次数超过 $\sqrt{Mod}$，就会有较大概率发生错误。

因此，在模哈中使用的 Mod 最好超过 Hash 检验次数的平方、

Hash 的三种姿势

Hash 模数

优秀的 Hash 模数应该 满足：足够大

自然溢出：ULL保存 Hash 值，利用硬件特性，使 Hash 值自然溢出，即 $Mod=2^{64}$，但容易造成 Hash 冲突 。

优秀的 Hash 模数还应该是质数

当模数是合数，相当于选了很多小模数，Hash 冲突的概率为 $\frac{n^k}{p_1\ast p_2\ast ...\ast p_k}$，否则为 $\frac{n}{p}$

单模

选取 $10^9$到$10^{1}0$范围的大质数作为 Hash 模数。但也有广为人知的方法构造冲突。

双模

进行多次不同质数的单模 Hash，降低冲突率。

在不泄露模数的前提，没有已知方法可以构造冲突。

子串 Hash

$H(s[l,r])=(S[l]\ast Bas{e}^{r-l}+S[l+1]\ast Bas{e}^{r-l-1}+...+S[r])$%Mod

令 $F(i)=H(pre[i])$

$F(l-1)=(S[1]\ast Bas{e}^{l-2}+S[2]\ast Bas{e}^{l-3}+...+S[l-1])$% Mod

$F(r)=(S[1]\ast Bas{e}^{r-1}+S[2]\ast Bas{e}^{r-2}+...+S[r])$% Mod

$H(s[l,r])=F(r)-F(l-1)\ast Bas{e}^{r-l+1}$

题单

大质数表

from https://www.cnblogs.com/ljxtt/p/13514346.html