后缀自动机小结_clj 后缀自动机详解-CSDN博客

本文链接：https://blog.csdn.net/huanghongxun/article/details/51112764

以下主要来自CLJ的ppt，整理并添加了一些附注(~~错误讲解~~)
以下皆为口胡，为了装逼掉RP而搞成高端(?)的形式。
神犇轻喷。
Markdown面对长博文，学校的电脑有点力不从心啊。。

1 前序

定义1： $SAM(s)$ ：表示字符串s的后缀自动机。
定义2：rev(s)：逆序的s。
定义3： $Reg(s)$ ：从状态 $s$ 开始可识别的所有字符串（到目标状态）。
定义4： $trans(s,str)$ ：从状态 $s$ 开始，转移为 $str$ ，到达的状态
定义5： $ST(s)=trans(init,s)$ ，即从初始状态开始，转移为 $str$ ，到达的状态，显然该状态表示了子串 $s$
定义6： $Right$ 集合：对于子串 $s$ ，出现在母串 $S$ 中的位置是： $[l_1,r_1),[l_2,r_2),\cdots,[l_n,r_n)$ ，那么 $Right(s)=\{r_1,r_2,\cdots,r_n\}$
推论1：若 $Right(s)=\{r_1,r_2,\cdots,r_n\}$ ，则 $Reg(s)=\{suf(r_1),suf(r_2),\cdots,suf(r_n)\}$ 。

2 Right集合

2.1 集合的唯一性

公理?：对于 $a,b\in substr(S)$ ，若 $Right(a)=Right(b)$ ,有 $Reg(ST(a))=Reg(ST(b))$ ,也有 $ST(a)=ST(b)$ （我们要状态数最简）。
推论2：任意两个状态的Right集合不同。同一个状态可以表示多个子串，且这些子串的Right集合相同。
推论3：状态的个数=本质不同的Right集合的个数（初始状态这里不计入）。
推论4：某个子串对应的状态的Right集合大小就是子串的出现次数。如果未对应任何状态则不存在该子串。

2.2 子串的后缀性质

引理1：两个非空子串a和b且 $|a|<|b|$ 满足 $Right(a)=Right(b)$ ，有 $a$ 是 $b$ 的后缀。
证明：由于a和b可以分别表示为 $s[r_a-|a|,r_a)$ 和 $s[r_b-|b|,r_b)$ ，由于 $Right(a)=Right(b)$ ，因此 $r_a$ 与 $r_b$ 存在一一对应关系，而 $|a|<|b|$ ， $a$ 和 $b$ 是有共同右端点的s子串，有 $a$ 是 $b$ 的后缀。

推论5：如果已知状态s能表示的最长子串，s能表示的所有子串必然是该最长子串的后缀。

2.3 子串的长度性质

定义7：状态 $s$ 能表示的子串存在长度，定义为 $[min(s),max(s)]$ 。
从引理1的证明中可看出些端倪。注意 $min(s)$ 不一定为1。
如果长度越来越小，肯定存在一个下限，使得再减小，Right集的元素就会变多。
如果长度越来越长，肯定存在一个上限，使得再增加，Right集的元素就会变少（想想看？）。

定义8：fa(s)，满足 $Right(fa(s))$ 是包含 $Right(s)$ 的最小集合，即 $Right(s)\subset Right(fa(a))$ 。

推论6： $max(fa(s))=min(s)-1$ 。
证明：当表示的子串长度 $=min(s)-1$ 时， $Right(s)$ 就发生了扩充，由定义6知，新集合即 $Right(fa(s))$ 。
这相当于，fa(s)表示的子串，是s表示子串的后缀，而且紧接s所表示的子串，存在是s状态以外能表示的最长的后缀。

推论7： $Right(trans(s,c))\subseteq Right(trans(fa(s),c))$ 。

2.4 状态

引理2：同状态表示的子串的最后一个字符相同。
证明：同状态表示的子串为后缀包含关系。
推论8：若 $trans(x_1,c_1)=trans(x_2,c_2)=\cdots=trans(x_n,c_n)=s$ ，有 $c_1=c_2=\cdots=c_n$ 。
证明：即从其他状态转移一个字符而来，也就是说，指向状态s的边的字符都一样。由引理2可知，到达状态s的所有路径表示出的子串的最后一个字符相同。

引理3：若 $trans(s,ch)!=null$ ，有 $trans(fa(s),ch)!=null$ 。
证明：由于Right集合沿fa走总是在扩充的。

引理4：若 $trans(s,c)=t,s[r_i]=c$ ，有 $r_i+1\in Right(t)$ 。
证明：对于 $Right(s)={r_1,r_2,\cdots,r_n}$ ，只有 $s[r_i]=c$ 的才符合要求，则t的Right集合就包含 ${s[r_i]=c|r_i+1}$ 。

推论9： $max(t)>max(s)$ 。
证明：由于 $t$ 是 $s$ 的后继，此时 $max'(t)=max(s)+1$ ，然后 $max(t)=\max max'(t)$ ，得证。

2.5 集合的从属性

引理5：两个子串 $a$ 和 $b$ ( $|a|>|b|$ )，要么 $Right(a)\cap Right(b)=\emptyset$ ，要么 $Right(a)\subset Right(b)$ 。

证明，法1：若 $Right(a)\cap Right(b)\neq \emptyset$ ，标明子串 $a$ 和 $b$ 在某个位置同时结束即作为右端点，这种情况只可能有 $b$ 是 $a$ 的后缀。因此 $a$ 出现的地方， $b$ 必定出现，有 $Right(a)\subset Right(b)$ 。

证明，法2：首先要明确的是任两个状态不可以同时表示一个子串（显然，否则匹配子串的时候该走哪一个状态呢？），也就是状态 $u$ 和 $v$ 表示的子串没有交集。设 $a$ 和 $b$ 的Right集合有交集，那么令 $r\in Right(a)\cap Right(b)$ ，拥有相同结束位置 $r$ ，此时的子串都可以看作是[0..r)的后缀，由于子串没有交集，也就是说子串的长度没有交集。所以 $[min(a),max(a)]$ 和 $[min(b),max(b)]$ 无交集，不妨令 $max(a)<min(b)$ ，也就是说a表示的子串长度均小与b，且a的是b的后缀，因此 $Right(b)\subset Right(a)$

3 Parent树（F♂A）

定义9：Parent树，由s->fa(s)组成的一棵树。
发现max(s)随着沿fa移动，越来越小，直到0，而初始状态的范围显然是[0,0]。也就是说，沿着fa移动，总会到达初始状态，即由fa构成边组成的树是以初始状态为根的有向树。
Parent树满足， $Right(s)\subset Right(ancestor(s))$
由关系树可以保存各点的Right集合而且大小线性，dfs序可便捷地查询。

引理6： $trans(v_1,c)=trans(v_2,c)=\cdots=trans(v_n,c)=s$ ，有 $v_1,v_2,\cdots,v_n$ 有顺序地构成Parent树链。
证明：可以配合引理2看。由引理4可得，必存在 $r_i+1\in Right(s)$ ，且 $r_i\in Right(v_i),s[r_i]=c$ ，即 $Right(v_1)\cap Right(v_2)\cap\cdots\cap Right(v_n)\neq\emptyset$ ，因此 $Right(v_i)$ 存在包含关系，即 $v_i$ 间成Parent树链。

引理7：Parent树的节点数不超过 $2n-1(n\geq 3)$ 。
证明：从推论2，定义6出发。Parent树的叶子节点的Right集合元素为1个，而非叶子节点至少有2个孩子，得证。

4 性质

4.1 线性

引理8：后缀自动机的转移数不超过 $3n-3$ 条。
证明：如果对后缀自动机做生成树（和Parent树无关），树边为2n-2条（树节点为2n-1个），考虑非树边，对于转移 $trans(a,c)=b$ ，构造一个字符串 $x+c+y$ ，使 $x$ 满足 $ST(x)=a$ ， $trans(b,y)=end$ ，且转移完全经过生成树，发现这个转移从始态通向终态，即表明该字符串是后缀自动机所识别的后缀。由于后缀数目为n，完整串不为x+c+y，因此非树边数目至多 $n-1$ 条，和为 $3n-3$ 条。

推论10：后缀自动机的状态数为 $O(n)$ ，转移数为 $O(n)$ 。
证明：由引理7和引理8得知。

4.2 与后缀树的联系

SAM(s)的Parent树即rev(s)的后缀树。
s的后缀树的转移指针即SAM(s)中的转移。
SAM(s)与rev(s)的后缀树的状态一一对应。
两者可以在 $O(n)$ 时间内相互转化。
通过直观判断可知。详见附录5。具体证明这里省略。

4.3 与后缀数组的联系

不过好像SA能做的SAM都可以？因此并不想写这方面的东西。。

4.4 其他性质

这里讨论一些与应用相关的性质。

定理1：Right集合总是与其Parent子树中在主链上的状态有关。
推论11：Right集合大小等于其Parent树上子树中在主链上的状态数。
证明：（本证明引用了构造算法）显然只有主链上的状态才会扩充Right集合的元素种类数。因此证明本引理即证明非主链状态不会影响Right集合大小。非主链的状态即拆出的nq点，发现nq点相对于q，Right集合多出了L+1，而np的Parent为nq，Right(np)={L+1}，即nq的Right集合实际上未新增Right集合元素。得证。
推论12：Right集合的最值与其Parent树上子树中在主链上的状态有关。
证明：由引理9可知，只有在主链上的状态才会增加元素种类，而新增的元素种类是已知的，即该状态的max值。又Right集合为子树中所有Right集合的并集，得证。

同时在维护SAM状态时，也要注意同时维护其Parent保持性质。

5 构造算法

前面一大篇的性质讨论，现在终于到算法层面了。

5.1 算法推演

    考虑每次添加一个字符，维护所有原后缀。
    设当前字符串为 $T$ ，新字符为 $x$ 。
    考虑所有表示了 $T$ 的后缀（也就是原后缀）的节点（满足Right集合包含 $len(T)$ ）： $v_1,v_2,\cdots$ 。
    上次添加之后的 $p=ST(T)$ ，有 $Right(p)=\{len(T)\}$ （由于其表示整个T，所以p能表示的子串只能是T的后缀，因此Right只有一个值即 $len(T)$ ）
    我们在添加了x之后，令 $np$ 表示 $ST(Tx)$ ， $Right(np)=\{len(Tx)\}$ 。
    由Parent树，令 $p$ 以及其祖先： $v_1=p,v_2,\cdots,v_k=rt$
    对于 $v$ ，有 $Right(v)=\{r_1,r_2,\cdots,r_n=len(T)\}$
    由状态第3点可知，存在转移 $x$ ，那么 $v$ 以及其祖先的 $Right$ 集合均含有 $s[r_i]=x|r_i$ 。不存在转移呢？说明 $Right(v)$ 不含这样的 $r_i$ ，祖先可能含有，也可能不含有，我们要建立 $v$ 的转移 $x$ ，意味着祖先就必须都有转移 $x$ ，此时只有 $r_n$ 满足(Tx[lenT]=x)，建立 $trans(v,x)=np$ 即可。如果祖先原来都没有这样的转移，表明x不属于原串，那么 $fa(np)=rt$ 就很显然了。
    以上是不存在冲突的转移，接下来考虑冲突的转移，考虑序列中第一个存在转移x的状态 $p;Right(p)=\{r_1,r_2,\cdots,r_n(r_n<len(Tx))\}$ ，令 $s[r_i]=x|r_i,q=trans(p,x)$ ，那么 $Right(q)=\{r_i+1\}$ ，直接向 $Right(q)$ 加入 $len(Tx)$ ？如果 $max(q)=max(p)+1$ ，表明q从p接收了(对于q而言)最长的子串，扩展这个子串时，我们不需要考虑 $r_i-max(q)$ 之前的字符对于当前状态的影响，是没有问题的，建立转移x->np，令 $fa(np)=q$ 即可。
    否则我们就要考虑之前的字符对当前状态的影响了，如果我们强行加入 $len(Tx)$ ，若 $s[len(Tx)-max(q)]$ 与 $s[r_i-max(q),r_i)$ 不一致，这导致了再 $max(q)$ 下， $q$ 所表示的字符串不同，则 $max(q)$ 就必须变小（至少得小到使最大长度为max(q)时所表示的字符串都是一样的），就会打破我们之前建立的自动机的正确性了。
    考虑拆解状态 $q$ ，为了避免之前字符对当前状态的影响，我们就把没有影响的max(p)拿给 $np$ ，即 $Right(nq)=Right(q)\cup \{len(Tx)\}(Right(np)),max(nq)=max(p)+1$ ，然后 $Right(q),Right(np) \subset Right(nq)$ ，有 $fa(q)=fa(np)=nq$ 。由于链上所有的祖先的Right集合都要加入 $len(Tx)$ ，因此 $Right(np)$ 肯定会属于 $q$ 原来的parent，因此 $fa(np)=fa_{pre}(q)$ 。
    发现 $len(Tx)\in Right(nq)$ ，不影响 $nq$ 的转移（没有从 $len(Tx)$ 往后的转移，不存在于原串），因此 $nq$ 的转移等同于原来的 $q$ 的转移。
新建了状态 $nq$ 还有东西要处理，由于我们以 $nq$ 代替 $q$ ，因此与 $q$ 相关联的转移x也要更新， $q$ 的所有转移 $x$ 的出发点组成Parent链，由引理6可知这个Parent链肯定是 $v_1, v_2, \cdots, v_k$ 中的连续的一段，更新这一段的转移 $x$ 为 $nq$ 即可。
    从算法的角度看来，状态数显然是线性的，每次添加字符，都会至多增加2个节点。

5.2 描述

令 $p=ST(T),Right(p)=\{len(T)\}$ 。
新建 $np=ST(Tx),Right(np)=\{len(Tx)\}$ 。
对 $p$ 的所有没有转移 $x$ 的祖先 $v$ ，建立 $trans(v,x)=np$ 。
如果 $p$ 没有存在转移 $x$ 的祖先 $v$ ，令 $fa(np)=rt$ 。
如果存在，对p的第一个存在转移x的祖先p(原来的p没用了，这里重定义一下)，令 $q=trans(p,x)$ ，若 $max(q)=max(p)+1$ ，建立 $fa(np)=q$ ；
否则建立状态 $q$ 的克隆(parent指针以及转移)状态 $nq$ ，并 $fa(q)=fa(np)=nq$ ，并对于 $trans(v,x)=q$ 的p的祖先 $v$ ，令 $trans(v,x)=nq$ 。

5.3 代码

void extend(char c) {
    int np = ++cnt, p = last; last = np; ma[np] = ++len;
    while (p && !trans[p][c]) trans[p][c] = np, p = fa[p];
    if (!p) fa[np] = rt;
    else {
        int q = ch[p][c];
        if (ma[p] + 1 == ma[q]) fa[np] = q;
        else {
            int nq = ++cnt; ma[nq] = ma[p] + 1;
            memcpy(trans[nq], trans[q], sizeof trans[q]);
            fa[nq] = fa[q]; fa[q] = fa[np] = nq;
            while (p && trans[p][c] == q) trans[p][c] = nq, p = fa[p];
        }
    }
}

不自带psmatrix根本没有耐心上图。。
建议看附录7一图流。

这里文字描述一下附录7的一图流的构造过程。。。不懂的可以辅助地看。。不过还是建议在草稿纸上跟着画比较好。
现在我们要构建aabbabd的SAM。
1. 首先有一个初始状态S， $max(S)=0$ 。
2. 加入字符a，建立新状态1，上次的终态S没有转移，建立 $trans(S,a)=1$ ，令1的Parent为S， $max(1)=1$ 。
3. 加入字符a，建立新状态2，上次的终态1没有转移，建立 $trans(1,a)=2$ ，1的后缀链接S存在转移a，但是由于 $max(S)+1=max(1)$ ，令2的Parent为1， $max(2)=2$ 。
4. 加入字符b，建立新状态3，上次的终态2以及Parent：1和S均没有转移b，建立转移到3，令3的Parent为S， $max(3)=3$ 。
5. 加入字符b，建立新状态4，上次的终态3没有转移b，建立；3的后缀链接S存在转移b，而且 $max(S)+1\neq max(3)$ ，因此拆解状态3，建立新状态5，复制3的转移以及Parent，令4和3的Parent指向5，将S的转移b指向5， $max(5)=1$ ， $max(4)=4$ 。
6. 加入字符a，建立新状态6，上次的终态4和其后缀连接5没有转移a，建立；5的后缀连接S存在转移a指向1，但是满足 $max(S)+1=max(1)$ ，因此令6的Parent为1， $max(6)=5$ 。
7. 加入字符b，建立新状态7，上次的终态6没有转移b，建立；6的后缀链接1存在转移b到3，拆解3，建立新状态8，复制3的转移以及Parent，改3和7的Parent为8，将状态1的转移b改到状态8， $max(8)=2,max(7)=6$ 。
8. 加入字符d，建立新状态9，上次的终态7即其后缀链接8,5,S，建立转移d到9， $max(8)=7$ 。

SAM构造完成。

6 应用

判断某串是否是s的子串。dfs一次SAM(s)即可。
不同子串的个数。由于Right集合的唯一性，因此所有子串在SAM中都是不重复的，因此求出SAM的路径条数即可。要注意的是所有节点都可作为路径的终点，因此dp： $d[v]=1+\sum_{<u,v>\in E(SAM(s))}d[u]$
求第k大子串，以字典序dfs自动机即可从小到大遍历子串，处理出每个状态向后延伸的子串数，O(len(S))遍历即可。
求某子串在原串中的出现次数。即等于其Right集合的大小，又Right集合的从属性，O(len(S))预处理出SAM(s)以及各状态的Right集合大小，询问即找到对应状态即可。
某子串第一次出现的位置。相当于求其Right集合的最小值，在构建SAM的时候顺带求出即可。
某子串所有出现位置，相当于求其Right集合的所有元素，沿Parent树回溯一次即可。
求最短不为s子串的字符串，发现不存在于SAM中的状态就不为其子串，因此dp： $d[u]=1+\min_{<u,v>\in E(SAM(s))}d[v]$
求2串的最长公共子串。fa(s)和fail指针。AC自动机的fail指针指向下一个具有最长公共后前缀的状态，而后缀自动机的Parent指针指向是与其拥有最长公共后缀的的某个状态（因为max(fa(s))=min(s)+1）。这一我们可以在串A的自动机上匹配B，找出A和B的最长公共子串。代码好像和AC自动机差不多？（POJ 2774, SPOJ 1811）

for(i=0;s[i];++i) {
    c=s[i]-'a';
    while(p&&!trans[p][c])p=fa[p];
    if(!p)p=rt,len=0;
    else len=min(len,ma[p])+1,p=trans[p][c];
}

待续。。。。。
附录6似乎是一个论文的汉化，除了看起来有点烦躁之外挺好的（~~说得好像我这篇文章看起来就不烦躁似的~~）。