后缀数组详解

后缀数组详解

推荐博客 :https://www.cnblogs.com/zwfymqz/p/8413523.html#_label1_0

推荐博客 :https://www.cnblogs.com/shanchuan04/p/5324009.html

推荐博客 :https://www.cnblogs.com/thmyl/p/6296648.html

基本概念

什么是后缀

假如你有一个字符串如

“gzyorz”

它的后缀是

“gzyorz”，“zyorz”，“yorz”，“orz”，“rz”，“z”

很简单。
用suff[i]suff[i]表示以第ii位为开头的后缀。

大小比较

给两个字符串，让你比较大小，从头开始，一位一位的比，如果不相等，就比较两个字符的那个字典序比较大，如果一个串已经到结尾了，它们还是相等，那长的那个大。
比如

“aab"和"aac”
第一位’a’=‘a’，第二位’a’=‘a’,第三位’b’<‘c’，所以"aab"<“aac”。
或
“aab"和"aabc”
第一二三位均相等，但"aabc"比"aab"长，所以"aab"<“aabc”。

后缀数组和名次数组

拿网上一张十分直观的图

后缀数组sa[i]：表示所有后缀在排完序后，排名为ii的后缀在原串中的位置。
名次数组rank[i]：表示所有后缀在排序完后，原字符串中第ii名现在的排名。
总结一下
sa表示“排名第几的是谁”，rank表示"排名第几"
这里sa存的是排名第i后缀的开头的位置
这两者是可以在O(n)的时间内互推出来的。

rnak[sa[i]] = i;
sa[rank[i]] = i;

显然，x的排名是y，那排名是y的就是x

求后缀数组

构造sa数组的方法一般有两种：

1. 倍增算法：O(nlogn)
2. DC3算法：O(n)
   这里只讲一下倍增算法。

对于一个后缀suff[i]，直接求rank比较困难，我们用倍增的思想，成倍的两两合并出所有的后缀，用第k−1轮的rank推出第k轮的rank。
我们第k轮的s[i…i+2k]可以看做是s[i…i+2k−1]和s[i+2k−1+1…2k]拼起来的，而这两个长度为2k−1的字符串是上一轮处理出来的，我们知道他们的rank，这就相当于两组数字(关键字)比较大小，这样，我们就获得了第k轮s[i…i+2k]的rank。
如果i位置后没有2k−1个字符，就是s[i…2k−1]不能由上面两个字符串拼起来，表明i+2k−1大于等于len，也就是suff[i]这个字符串，直接补0。

所以，我们得到"aabaaaab"的rank的过程大概就是这样。

怎么比较大小呢
举个栗子：

如图，我们要比较str1和str2的大小，显然我们只需要比较f1和f2的大小(第一关键 字)，g1和g2的大小就可以判断str1和str2的大小(第二关键字)。
显然这样做的复杂度是O(log(len))

基数排序

我们每次把子串合并后都要排一次序，如果直接上快排的话，O(lenlog2(len))，显然不行啊。

这就用到了O(len)的基数排序。
所谓基数排序，就是从最低位开始，先按个位排，再排十位，再排百位……
这里给张图感性理解一下，建议还是深度的学习一下，对下文的代码也好理解。

代码

代码还是很有必要解释一下的
如果学了基数排序的话还是基本很好理解的。

int fir[N], sce[N], t[N], sa[N];
//fir第一关键字（rank）
//sec第二关键字（sa）
//排名为i的串出现了多少次（桶） 
for (int i = 1; i <= len; ++i) ++t[fir[i] = s[i]];		//把每个字符放入桶内 
for (int i = 1; i <= num; ++i) t[i] += t[i - 1];		//前缀和一下求当前字符的排名
for (int i = len; i >= 1; --i) sa[t[fir[i]]--] = i;	
	/*	这里枚举到i位置时，s[i] (fir[i])的排名是t[fir[i]]，那排名为t[fir[i]]的字符串开头的位置显然为i 
		->  sa[rank[i]] = i
	*/ 

就是第一轮在没有第二关键字的时候把所有的字母排一遍序。
利用前缀和可以快速的定位出每个位置应有的排名。
这里稍微模拟一下应该很好理解。

for (int i = len - k + 1; i <= n; ++i) sec[++cnt] = i;		
for (int i = 1; i <= len; ++i) if (sa[i] > k) sec[++cnt] = sa[i] - k;

第一行：因为这一部分的长度小于k，所以没有第二关键字，直接排到最前面好了，sec[i]记录的是排名第cnt的后缀的开头在i位置。

第二行：看排名为ii的后缀的位置是否大于k，位置要大于k，当前找的字符串是由两个长度为k的子串拼起来的，如果i位置小于k，这个后缀就不能作为第二关键字了。
然后直接把上一轮的sa拿过来用就可以了，同时减去一个数后相对排名不变，一定要时刻记住sec存的是排名为cnt的后缀的位置，我们知道第二关键字排名第ii的后缀的位置，这样就得到了以第二关键字的排名。

for (int i = 1; i <= num; ++i) t[i] = 0;
for (int i = 1; i <= len; ++i) ++t[fir[i]];
for (int i = 1; i <= num; ++i) t[i] += t[i - 1];
for (int i = len; i >= 1; --i) sa[t[fir[sec[i]]]--] = sec[i], sec[i] = 0;

这个是把第一二关键字总的排名弄出来。
fir数组中存的是上次关键字的rank，即第一关键字，对fir排序就是对第一关键字排序，那第二关键字呢。
因为第一关键字可能对应很多第二关键字(因为有的串可能能是后缀，有的是长度为2k−1的串，可能相同)，我们要在第一关键字相同的情况下排第二关键字，因为第二关键字已经排好，越大的肯定越靠后。
比如sec[1]=3,sec[2]=4那4位置开始的后缀要比3位置开始的后缀靠后
sec[i]是第二关键字排名为ii的后缀（sa数组定义）。
fir[sec[i]]就是排名为i的第二关键字对应的第一关键字。
t[fir[sec[i]]]就表示当第一关键字相同时，第二关键字较大的这个后缀的排名是多少。
理同上面的基数排序，sa[t[fir[sec[i]]]−−]=sec[i]。

swap(fir, sec);
fir[sa[1]] = 1, cnt = 1;
for (int i = 2; i <= n; ++i) 
	fir[sa[i]] = (sec[sa[i]] == sec[sa[i - 1]] && sec[sa[i] + k] == sec[sa[i - 1] + k]) ? cnt : ++cnt;
if (cnt == len) break;
num = cnt;

这里，在下面更新fir的时候sec是没有用的，所以swap一下直接把fir的值赋值给sec，这时sec存的就是fir了。
sa[1]的排名一定是1，然后定义一个值，表示串的"值"。
如果两个字符串的两个关键字完全相等，则新的"值"也相等。
如果所有的值都不一样，就说明排好序了。
关键字的取值范围就发生了变化，变为了cnt。

完整代码：

#include <bits/stdc++.h>
using namespace std;
const int N = 1e6 + 10;
int num = 122, len;
int fir[N], sec[N], t[N], sa[N];
char s[N];
inline void SA() {
    for (int i = 1; i <= num; ++i) t[i] = 0; 
	for (int i = 1; i <= len; ++i) ++t[fir[i] = s[i]];
	for (int i = 1; i <= num; ++i) t[i] += t[i - 1];
	for (int i = len; i >= 1; --i) sa[t[fir[i]]--] = i;	
	for (int k = 1; k <= len; k <<= 1) {
		int cnt = 0;
		for (int i = len - k + 1; i <= len; ++i) sec[++cnt] = i;
		for (int i = 1; i <= len; ++i) if (sa[i] > k) sec[++cnt] = sa[i] - k;
		for (int i = 1; i <= num; ++i) t[i] = 0;
		for (int i = 1; i <= len; ++i) ++t[fir[i]];
		for (int i = 1; i <= num; ++i) t[i] += t[i - 1];
		for (int i = len; i >= 1; --i) sa[t[fir[sec[i]]]--] = sec[i], sec[i] = 0;
		swap(fir, sec);
		fir[sa[1]] = 1, cnt = 1;
		for (int i = 2; i <= len; ++i) 
			fir[sa[i]] = (sec[sa[i]] == sec[sa[i - 1]] && sec[sa[i] + k] == sec[sa[i - 1] + k]) ? cnt : ++cnt;
		if (cnt == len) break;
		num = cnt;
	}
}
int main() {
	scanf("%s", s + 1);
	len = strlen(s + 1);
	SA();
	for (int i = 1; i <= len; ++i) printf("%d ", sa[i]);
	return 0;
}

最长公共前缀——LCP

定义

height[i]：表示suff[sa[i]]和suff[sa[i−1]]的最大公共前缀，也就是排名完后两个相邻的后缀的最长公共前缀。
h[i]：等于height[rank[i]]，suff[i]和排序后在它前一名的后缀的最长公共前缀。

height

性质：h[i]≥h[i−1]−1。
证明：
设suff[k]是排在suff[i−1]前一名的后缀，则它们的最长公共前缀是h[i−1]。


在没有公共前缀的时候h[i]是0
如果h[i−1]≤1，那么h[i]≥0显然成立。
都去掉第一个字符，就变成suff[k+1]和suff[i]。

显然，都去掉一个字符后suff[k+1]和suff[i]的最长公共前缀是h[i−1]−1。
所以suff[i]和在它前一名的后缀的最长公共前缀至少是h[i−1]−1。

代码

void Getheight() {
    int j, k = 0;   //目前height数组计算到k
    for (int i = 1; i <= len; i++) {
        if(k) k--;  //由性质得height至少为k-1
        int j = sa[fir[i] - 1];   //排在i前一位的是谁
        while(s[i + k] == s[j + k]) k++;
        height[fir[i]] = k;
    }
}

对于一个字符串
定义LCP(i,j)=lcp(suff(sa[i]),suff(sa[j])。
1.对任意1≤i<j<k≤n，LCP(I,k)=min{LCP(I,j),LCP(j,k)}
2.设i<j，LCP(i,j)=min{LCP(k−1,k)|i+1<=k<=j}
而两个排名不相邻的最长公共前缀为排名在它们之间的height的最小值

一道求LCP的题
[AHOI2013]差异
在求出height数组之后，利用单调栈维护一个上升序列，得到该位置到的左右端点的长度，两长度相乘就是整个区间的长度，这个长度再乘上height[i]就是height[i]的贡献。
代码