【定义】设A和B是两个字符串。将字符串A转换为字符串B所用的最少字符操作数称为字符串A到字符串B的编辑距离。( 这里所说的字符操作包括:删除一个字符,插入一个字符,修改一个字符)
这个算法的原理,我其实并不清楚,但我知道如何利用矩阵来计算两个字符串的距离。举例说明如何用LD算法来解决实现工作中的问题。现以 计算GGATCGA 和GAATTCAGTTA的距离为例来说明。
GGATCGA 和GAATTCAGTTA在结构上非常的相似,我们肉眼观察到,通过下面的变换,可以让一个字符串变成另外一个字符串,其中,“-”表示添加。
GGA-TC-G - -A
GAATTCAGTTA
大家想想,如果用简单的字符串匹配,能不能计算两个字符串的相似度呢?我想,估计是不行,因为这里涉及到一个字符串对齐的问题。哪么,我们如何采用LD算法来实现字符串相似度的比较呢
我打算分二块介绍LD算法,第一块是求编辑距离,第二部分是回溯,找到两个字符串的差异。
一 求编辑距离
LD有下面几个性质:
LD(A,A)=0
LD(A,"")=Len(A)
LD(A,B)=LD(B,A)
0≤LD(A,B)≤Max(Len(A),Len(B))
LD(A,B)=LD(Rev(A),Rev(B))
LD(A+C,B+C)=LD(A,B)
LD(A+B,A+C)=LD(B,C)
LD(A,B)≤LD(A,C)+LD(B,C)(注:像不像“三角形,两边之和大于第三边”)
LD(A+C,B)≤LD(A,B)+LD(B,C)
为了讲解计算LD(A,B),特给予以下几个定义
A=a1a2……aN,表示A是由a1a2……aN这N个字符组成,Len(A)=N
B=b1b2……bM,表示B是由b1b2……bM这M个字符组成,Len(B)=M
定义LD(i,j)=LD(a1a2……ai,b1b2……bj),其中0≤i≤N,0≤j≤M
故: LD(N,M)=LD(A,B)
LD(0,0)=0
LD(0,j)=j
LD(i,0)=i
对于1≤i≤N,1≤j≤M,有公式一
若ai=bj,则LD(i,j)=LD(i-1,j-1) 取矩阵对角的值
若ai≠bj,则LD(i,j)=Min(LD(i-1,j-1),LD(i-1,j),LD(i,j-1))+1 在对角,左边,上边,取最小值+1
B=G A ATTCAGTTA
A串位于矩阵的左侧,B串位置矩阵的上方。一般来说,长度短的命名为A,长度长的命名为B。
第一步如下:
G | A | A | T | T | C | A | G | T | T | A | ||
0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | |
G | 1 | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
G | 2 | |||||||||||
A | 3 | |||||||||||
T | 4 | |||||||||||
C | 5 | |||||||||||
G | 6 | |||||||||||
A | 7 |
第二步,用第一步方法,填充其它的空格。
G | A | A | T | T | C | A | G | T | T | A | ||
0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | |
G | 1 | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
G | 2 | 1 | 1 | 2 | 3 | 4 | 5 | 6 | 6 | 7 | 8 | 9 |
A | 3 | 2 | 1 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 8 |
T | 4 | 3 | 2 | 2 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 |
C | 5 | 4 | 3 | 3 | 2 | 2 | 2 | 3 | 4 | 5 | 6 | 7 |
G | 6 | 5 | 4 | 4 | 3 | 3 | 3 | 3 | 3 | 4 | 5 | 6 |
A | 7 | 6 | 5 | 4 | 4 | 4 | 4 | 3 | 4 | 4 | 5 | 5 |
最右下角的数字就为编辑距离了。
二 回溯
我们现在以图二为例,要说明如何回溯。
第一步:定位在矩阵的右下角,也就是说从5开始。
第二步:回溯单元格,至矩阵的左上角
若ai=bj,则回溯到左上角单元格
若ai≠bj,回溯到左上角、上边、左边中值最小的单元格,若有相同最小值的单元格,优先级按照左上角、上边、左边的顺序
注意: 如果i或者j的值,有一个为0,则 左上,上边,都没有值,只能比较左边的值了
回溯的结果,如图二 红色部分所示。
第三步:根据回溯路径,写出匹配字串
若回溯到左上角单元格,将ai添加到匹配字串A,将bj添加到匹配字串B
若回溯到上边单元格,将ai添加到匹配字串A,将_添加到匹配字串B
若回溯到左边单元格,将_添加到匹配字串A,将bj添加到匹配字串B
搜索晚整个匹配路径,匹配字串也就完成了
A=GGA-TC-G - -A
B=GAATTCAGTTA
现在给出c的代码:
#include<stdio.h>
#include <string.h>
#include <malloc.h>
void backtracking(int**, char* ,char*); //回溯,计算出如何通过其中一个字符串的变换,得到另外一个字体串
int ** build_matrix(char* , char*); //求编辑距离,返回一个已经填充好的矩阵
int trigle_min(int a, int b, int c); //求三个数的最小值
int main()
{
char* A = "GGATCGA";
char* B = "GAATTCAGTTA";
int** matrix=build_matrix(A, B);
backtracking(matrix, A, B);
return 0;
}
//0 左上角 ,1上方,-1左边
int way(int i_t, int j_t, int i, int j)
{
if (i-i_t==1&&j-j_t==1) {
return 0;
}
if (i-i_t==1&&j-j_t==0) {
return 1;
}
if (i-i_t==0&&j-j_t==1) {
return -1;
}
}
int** build_matrix(char* A, char* B)
{
int m=strlen(A);
int n=strlen(B);
int** matrix = (int**)malloc(sizeof(int*)*(m+1));
int i,j;
for (i=0;i<m +1;i++)
{
*(matrix+i)=(int*)malloc(sizeof(int)*(n+1));
}
matrix[0][0]=0;
for (i=1;i<n + 1;i++)
{
matrix[0][i] = i;
}
for (i=1;i<m + 1;i++)
{
matrix[i][0] = i;
}
for (i=1;i<m + 1;i++)
{
for (j=1;j<n + 1;j++)
{
if (*(A+i - 1) == *(B+j - 1))
{
matrix[i][j] = matrix[i-1][j-1];
}
else
{
matrix[i][j] = trigle_min(matrix[i-1][j], matrix[i][j-1], matrix[i-1][j-1]) + 1;
}
}
}
for (i=0;i<= m;i++)
{
for (j=0;j<= n;j++)
{
printf("%d ", matrix[i][j]);
}
printf("\n");
}
return matrix;
}
void backtracking(int** matrix, char* A, char *B) {
int m=strlen(A);
int n=strlen(B);
int i=m;
int j=n;
int max = m>n?m:n;
char* p = (char*)malloc(sizeof(char)*m);
char* q = (char*)malloc(sizeof(char)*m);
int k=0;
while (i>0 && j>0)
{
if (*(A+i -1) == *(B +j -1))
{
*(p+k) = *(A+i-1);
*(q+k) = *(B+j-1);
--i;
--j;
++k;
} else
{
int i_t=0;
int j_t=0;
if (matrix[i][j-1]>=matrix[i-1][j])
{
i_t=i-1;
j_t=j;
} else {
i_t=i;
j_t=j-1;
}
if (matrix[i_t][j_t]>=matrix[i-1][j-1])
{
i_t=i-1;
j_t=j-1;
}
/
int w = way(i_t, j_t, i,j);
if (w==0) {
*(p+k) = *(A+i-1);
*(q+k) = *(B+j-1);
} else if (w == -1) {
*(p+k) = '-';
*(q+k) = *(B+j-1);
} else {
*(p+k) = *(A+i-1);
*(q+k) = '-';
}
++k;
i=i_t;
j=j_t;
}
}
if (i==0) {
*(q+k) = *(B+j-1);
*(q+k) = '-';
} else {
*(p+k) = *(A+i-1);
*(q+k) = '-';
}
for (i=max-1;i>=0;i--) {
printf("%c",*(p+i));
}
printf("\n");
for (i=max-1;i>=0;i--) {
printf("%c",*(q+i));
}
}
int trigle_min(int a, int b, int c)
{
int min = a<b?a:b;
return min<c?min:c;
}