AC
自动机即
Aho-Corasick automation
,该算法在
1975
年产生于贝尔实验室。AC 自动机是用来处理多串匹配问题的,即给你很多串,再给你一篇文章,让你在文章中找这些串是否出现过,在哪出现。
AC自动机先将所有模式串构建成单词树,如有模式串 { she, he, say, shr, her, ayd },我们先构建成如下单词树:
假设我们现在要对串 yshersayd 进行匹配,找出该串的所有模式串。
一般的做法就是从一个指针 i 指向串的开始匹配位置,
首先 i== 0 这是用串 [i, len(s)] 即 'yshersayd' 进行匹配,没有匹配,i++;
这时用串 [1,len(s)]即 'shersayd' 在单词树中匹配,得到得到匹配 'she',再 i++;
这时用串 [2,len(s)]即 'hersayd' 在单词树中匹配,得到匹配 'he' 和 'her' 再 i++;
依次进行,易知算法最坏复杂度为 O(nm) n为主串的长度,m 为模式串平均长度。
实际上我们可以通过构造
失败指针
来 优化匹配,从而使算法复杂度达到 O(n)。失败指针类似 KMP 算法的 next[] 数组值,KMP 算法中,设 next[i]= k,则 k 为满足 S[0,k-1]== S[i- k, i-1]最大的值,KMP 算法中求 next[] 只有一个串。而失败指针是在所有模式串或其前缀中找一个最大的那个 K,即对于串 S1,我们在其它模式串或其前缀中找一个串 S2,使得
S1[len(S1)- k, len(S1)]= S2[0, k] 其中 k 最大,则 S1[ len(S1) ] 的失败指针为 S2[ len(s2) ]。也可理解为当我们匹配失配时,利用已经匹配的结果,尽可能的将指针 i 往后移。如图,当我们用 'shersayd' 匹配时,匹配到 'e' 时以后的字符失配,这时我们不是用 'hersayd' 继续从头开始匹配。利用匹配的结果,我们可以只用 'sayd' 在红圈的另外那个 'e' 开始匹配。失败指针就是在匹配失败时转移,使得能够继续匹配。
如上图:我们构建失败指针后图变为
上 图中,粗红线表示失败指针,没标明失败指针的结点的失败指针都指向根结点。构建了失败指针后,匹配是如果不能匹配就从失败指针走,再匹配。如我们匹配刚才 那个字符串 ’yshersayd',首先是字母 'y' ,没有匹配,走向失败指针根结点,然后字母 's',匹配,
走 向 's'。然后字母 'h',匹配,走向 'h'。然后字母 'e' 走向 'e',得到模式串 'she'。然后 'r' ,这时 'r' 失配,我们走向 'e' 的失配指针,粗红线指向的另一个 'e',继续匹配,得到模式串 'her'。依次进行。可知,匹配过程就是在一个图中走动,图中某一个结点标记了匹配了某个模式串。
接下来一个问题就是如何构建 失败指针。
构建失败指针可以用一个BFS过程来构建。
伪码为:
![](http://blogimg.chinaunix.net/blog/upfile2/100412150449.jpg)
![](http://blogimg.chinaunix.net/blog/upfile2/100412150517.jpg)
|
|