【学习笔记】SAM的结构和应用

Oi-wiki

让我们从头说起。字符串$s$的$SAM$是一个接受$s$的所有后缀的最小$DFA$。既然是$DFA$那么就存在一个或多个终止状态，如果我们从初始状态$t_0$出发，最终转移到了一个终止状态，则路径上的所有转移连接起来一定是字符串$s$的一个后缀。反过来，$s$的每个后缀均可用一条从$t_0$到某个终止状态的路径构成。

$SAM$包含关于字符串$s$的所有子串信息。任意从初始状态$t_0$开始的路径，如果我们将转移路径上的标号写下来，都会形成$s$的一个子串。反之每个$s$的子串对应从$t_0$开始的某条路径。唯一需要注意的是若干个子串可能对应同一条路径，因为是去重过后的。

考虑字符串$s$的任意非空子串$t$，记$\text{endpos(t)}$为在字符串$s$中$t$的所有结束位置。这样所有字符串$s$的非空子串都可以根据它们的$\text{endpos}$集合被分为若干个 等价类 。

引理1：字符串$s$的两个非空子串$u$和$w$（假设$|u|\le |w|$）的$\text{endpos}$相同，当且今当字符串$u$在$s$中的每次出现，都是以$w$的后缀形式存在的。

引理2：考虑两个非空子串$u$和$w$（假设$|u|\le |w|$），那么如果$u$是$w$的一个后缀，则$\text{endpos}(w)\subseteq \text{endpos}(u)$；否则$\text{endpos}(w)\cap \text{endpos}(u)=\varnothing$。

引理3：考虑一个$\text{endpos}$等价类，将类中的所有子串按长度非递增的顺序排序。那么对于同一等价类的任意两子串，较短者为较长者的后缀，且该等价类中的子串长度 恰好覆盖整个区间$[x,y]$。

这些东西就不用证了吧。。。

考虑$SAM$中某个不是$t_0$的状态$v$。我们已经知道，状态$v$对应具有相同$\text{endpos}$的等价类。我们如果定义$w$为这些字符串中最长的一个，则所有其他的字符串都是$w$的后缀。定义一个后缀连接$\text{link(v)}$连接道对应于$w$的最长后缀的另一个$\text{endpos}$的等价类状态。

为了方便，规定 endpos ( t 0 ) = { − 1 , 0 , . . , ∣ S ∣ − 1 } \text{endpos}(t_0)=\{-1,0,..,|S|-1\} endpos(t0​)={−1,0,..,∣S∣−1}。

引理4：所有后缀链接构成一颗根节点为$t_0$的树。唯一需要注意的是这颗树上的节点也对应这个$DAG$上的点。证明也非常简单，考虑每次会连接到长度更短的后缀，最后总能到达空串对应的初始状态$t_0$。

引理5：通过$\text{endpos}$集合构造的树（每个子结点的$subset$都包含在父节点的$subset$中）与通过后缀连接$\text{link}$构造的树相同。换句话说，后缀连接构成的树本质上是$\text{endpos}$集合构成的一棵树。事实上仔细观察一下还会发现一个节点的$\text{endpos}$就是所有子结点的$\text{endpos}$集合的并。关于任意节点的$\text{endpos}$集合怎么求我们后面会提到。

然后介绍一下$SAM$的构造过程。

考虑给当前字符串添加一个字符$c$的过程。

• 令$last$为添加字符$c$之前，整个字符串对应的状态。
• 创建一个新的状态$cur$，并将$\text{len}(cur)$赋值为$\text{len}(last)+1$，此时$\text{link}(cur)$还未知。
• 从状态$last$开始，如果还没有到字符$c$的转移，那么就添加一个道状态$cur$的转移，遍历后缀链接。如果在某个点已经存在到字符$c$的转移，我们就停下来，并将这个状态标记为$p$。
• 如果没有找到这样的状态$p$，我们就到达了虚拟状态$-1$，将$\text{link}(cur)$赋值为$0$并退出。
• 假设现在我们找到了一个状态$p$，其可以通过字符$c$转移。将转移到的状态标记为$q$。事实上此时我们已经知道$cur$的后缀链接的长度应该为$\text{len}(p)+1$了。所以我们只需要进行一些修正即可。
• 如果$\text{len}(p)+1=\text{len}(q)$，那么只要将$\text{link}(cur)$赋值为$q$并退出。
• 否则创建一个新的状态$clone$，复制$q$的除$len$外的所有信息（后缀链接和转移）。将$\text{len}(clone)$赋值为$\text{len}(p)+1$。注意这个时候应该是$clone$为$q$和$cur$的后缀，所以将后缀链接从$cur$指向$clone$，也从$q$指向$clone$。最后还要完成一个重定向的过程。使用后缀链接从状态$p$往回走，只要存在一条通过$p$到达$q$的转移，就将该转移重定向到状态$clone$。这也很好理解，因为$clone$和$q$的区别就在于$clone$的$\text{endpos}$集合里面多了一个位置，因为是从$p$往回走所以转移到的状态长度肯定不会超过$clone$，所以应该和$clone$放在同一个等价类当中。
• 最后将$last$的值更新为状态$cur$。

有一点复杂，但是如果多画图还是可以理解的。

事实上$SAM$的节点个数不超过$2n-1$，转移数不超过$3n-4$。有构造能卡到上界，这里就不赘述了。我更喜欢将转移数看$DAG$中的边数，这似乎在提示我们可以直接在$DAG$上做文章。

简单讲几个比较基础的应用吧。

检查字符串是否出现：直接根据模式串$P$的字符进行转移即可。但是我要提的是，这个算法还可以找到$P$在文本串中出现的最大前缀长度。

不同子串个数：转化成不同路径条数，直接在$DAG$上统计即可。当然直接对每个节点对应的子串数目求和也是可以的。

字典序第$K$大串：利用路径和子串的对应关系不难贪心求出答案。但是我要提的是，如果相同的子串算出现多次，那么我们可以通过递推求出每个节点对应的$\text{endpos}$集合的大小，相当于给每个子串赋了一个权值，可以类似计算。

最小循环移位：发现$S+S$包含字符串$S$的所有循环移位作为子串，那么问题等价于找一条长度为$n$的字典序最小的路径，这显然可以贪心解决。

所有出现位置：说白了就是要找到所有节点对应的$\text{endpos}$。可以这样来想，如果一个子串的$\text{endpos}$集合中包含$i$，那么说明这个子串是以$i$结尾的前缀的后缀，换句话说在后缀树上是$i$对应的终止节点的祖先，那么就在$i$对应的终止节点上插入$i$，然后线段树合并即可。显然这里也可以用上可持久化数据结构做到在线。

最短的没有出现的字符串：这个可以通过$DP$解决。就不再赘述了。

两个子串的最长公共前缀：这个也非常简单。将$S$反转一下，问题变成了求公共后缀，而根据分析我们知道这个长度就是后缀树上$LCA$对应的$\text{len}$。

不得不感叹，$SAM$真是字符串工具的集大成者。之前没认真学真是太可惜了。

例题：CF700E Cool Slogans

CF1098F Ж-function （其实就是套了一个$SAM$的壳子）

[LNOI2022] 串 （个人感觉最妙的一道$SAM$题）

[NOI2018] 你的名字（用$SAM$可以做类似子串匹配的过程）

51nod #1600 Simple KMP（增量法，以及理解贡献计算方式）

upd on 2023/10/27：添加了几道例题。