【算法notes】String Matching(算法导论ch32)

应用：word编辑器里查找某个特定word的功能；DNA序列里查特定pattern。

m是pattern的长度，n是text的长度。

上面RK的matching时间是worst case，有点坑，但average case其实挺快的。

解决模式：沿着text T滑动pattern P, 用shift S来记录相对位移。

1. Naive的方法，是把s所有的值对应的情况都检查了一边，没有preprocess。之所以不够高效，是因为在处理shift = s+1时没有用上shift =s得到的信息。

2.Rabin-Karp-Matcher:

所有的character都对应成基数为d的digits(radix-d, d = 所用字母表的大小)。

把string P处理成integer p, 把shift = s时T上长度为m的子串处理成t(s)，而且在t(s)的基础上计算t(s+1)。

这样preprocess的时间是Theta(m)。

处理成integer的问题：数太大了放不下 ==>那就把p和t(s)都mod q。 

如果p mod q = t(s) mod q,那再进一步检查是不是p = t(s)，否则肯定是p不等于t(s)，叫spurious hit。

因为RK每个s的值都检查了，所以有(n-m+1)个loop，如果每个loop是spurious hit要继续深入检查，那就是O((n-m+1)*m)。

不然在valid hit比较少的情况下，average和expected time还是不错的，spurious hit发生的概率也是和q有关的。

3. Finite Automata有限自动机

自动机主要抓住，state(当前状态，即match了pattern的前多少个character)

和transition function(状态转移函数)这两个概念。

如果pattern的长度是m, 那么就有[0,...,m]共m+1个状态，其中0是初始状态，

m是accepting状态，表示pattern的每个character都已经匹配了。

转移函数theta(q,a) = sigma(Pq+"a")，其中q是当前的状态，如果此时input是a，那么找到一个string, 

它是(P的前q位加上a)的后缀，同时也是P最长的前缀。

这个string的长度就是theta(q,a)，也就是q要转移到的新状态。

当然如果P(q+1)也是a, 那么theta(q,a) = q+1(在还没有被accept的情况下)。

获得这个转移函数的过程就是preprocess的过程，如果有了的话，怎么用呢？

matching的时间负责度也就是Theta(n)。那preprocess的复杂度咋样呢？

外面的loop是O(m*|Sigma|),里面可是O(m^2),当然可以优化，到O(m*|Sgima|) overall。

4.KMP(好激动，终于到了看毛片算法)

看毛片算法的主要精髓是：认清了问题的主要矛盾是pattern和自己的match。

在对text按位向后扫的时候，如果当前已经match的位数是k(k<m)，那么这个T[s+1,...s+k]，也就是目前T的suffix是确定的，就是pattern的前k位。

举个例子，如果T是；abcdfxxxxxx; P是：abcde。那我们在 k = 4,s=0的时候已经知道，如果k+1位match失败，s=1,2,3,4肯定是invalid。

所以我们要做的是，找到pattern的prefix function. 这个function可以分分钟生成有限状态机的转移矩阵的。

有了这个函数，我们可以recursive的找到valid的shift cases.

然后利用这个函数再次来扫Text, 就是KMP算法啦。

还有最后一个任务，就是KMP的算法复杂度分析。这里是用aggregate的方法。

先说prefix函数生成函数的复杂度，KMP的复杂度同理。

k从0起步，并一直保持小于m(根据prefix函数的定义)，所以最大也就是m-1啦，increment总共的次数是O(m).

同时while循环的条件又保证了，k是non-negative的，所以k = pi(k)这种decrement函数，总共执行的次数也是O(m).

所以preprocess的时间复杂度就是O(m).

TBC：KMP和trie结合的AC自动机.