BWT压缩算法及FM搜索算法详解

 BWT压缩算法其经典地位无可撼动， 思想真是个奇妙的东西， 废话不多说， 让我们来看看她的奇妙之处吧。

假设有一串字符串S="acaacg"， 长度为6， 如果直接对此串进行压缩， 可能是a 1, c 1, a 2, c 1, g 1, 对于更长的串， 由于其随机性， 使得同一个字母的大量重复更多， 因此我们需要一种更好的办法，既能提高压缩效率同时可以完美还原原序列， BWT算法这就登场了：

1， 首先将原字符串开头添加一个结束字符，一般取$， 得到S'="$acaacg"，长度为 7

2， 将S'往右轮转，得到一个数组M，它只是一个中间产物， 但是对于后面的理解会有帮助

 $acaacg

 g$acaac

 cg$acaa

 acg$aca

 aacg$ac

 caacg$a

 acaacg$

3， 紧接着对这个数组按照字典序排序，得到 M'，后续的处理都是基于这个数组，（ 请开动您的脑筋， 来一次天马星空吧）

 $acaacg

 aacg$ac

 acaacg$

 acg$aca

 caacg$a

 cg$acaa

 g$acaac

4，这里我们定义M' 的第一列为F="$aaaccg"， 长度为7，这个看起来挺适合压缩， 但我们的目的还要还原， 而F不能还原成S（自己想想为什么？），

在定义M' 的最后一列为L="gc$aaac"，长度为7，g 1, c 1, a 3, c 1, 发现这个序列更有规律，较原序列更易压缩， 这里要说明下矩阵M' 两个性质，

    A. L的第一个元素是S中的最后一个元素

    B.  对于M' 中的每一行（第一行除外）第一个元素都是最后一个元素在原序列中的下一个元素。(这句请多想想)， 例如M' 第2行a, 该行最后一个字母是c, 再回到S中可发现，a就是紧跟c后面的一个字符。也就是说，对于文本块而言，同一行中F是L的下一个元素，L是F的前一个元素。

至此， 压缩初步完成，即得到L序列， 后面更完整的压缩是根据L更容易还原的特性来处理， 我们先讲到这里。

5， 现在我们就从L开始还原了，还原之前我们要对M' 矩阵进行统计， F中每个字符(相同字符取第一个)前面有多少个字符，$不计入，总共三个字母a, c, g， 于是得到SF={1,4,6}；L中每个字母之前有多少个与自己相同的字母，有这些字母 g, c, a, a, a, c,得到SL={0,0,0,1,2,1}，

现在就可以还原了， 首先取L的第一个字母g, 根据性质A它是原序列中的最后一个字母， 再根据B性质，依次还原每个字母的前一个字母，于是为了得到g的前一个字母，我们要找到g开头的序列，M'的最后一行， 然后找到该行最后一个字母c, 就是原序列g的前一个字母，得到cg， 继续找c的前一个字母， 找到以c开头的行，发现有两行， 怎么办， 就要用到刚才统计好的数组了， 刚才的c前面有一个c， 故现在得到的两行中的第二行是我们要找的目标行， 于是c前面的字母就是a，得到acg， 这个a前面有两个a， 所以我们找到M' 中的第四行，那么a的前一个字母就是a，得到aacg，依照此规律开动您的小脑袋继续探索吧。 （如果觉得文字说明太乱，请看下面图示）

上面所讲全是理论性质的， 有兴趣的朋友可以动手谢谢代码， 同时可以参考网上其他朋友已经实现了的代码。

关于FM搜索算法， 未完待续， 恳请各位前辈们多多批评指正， 本人一定多学习借鉴， 谢谢。