KMP算法(全称Knuth-Morris-Pratt字符串查找算法,由三位发明者的姓氏命名)是可以在文本串s中快速查找模式串p的一种算法。
要想知道KMP算法是如何减少字符串查找的时间复杂度的,我们不如来看暴力匹配方法是如何浪费时间的。所谓暴力匹配,就是逐字符逐字符地进行匹配(比较s[i]
和p[j]
),如果当前字符匹配成功(s[i]==p[j]
),就匹配下一个字符(++i, ++j
),如果失配,i
回溯,j
置为0(i=i-j+1, j=0
)。代码如下:
// 暴力匹配
int i = 0, j = 0;
while (i < s.length())
{
if (s[i] == p[j])
++i, ++j;
else
i = i - j + 1, j = 0;
if (j == p.length()) // 匹配成功
{
// 对s[i - j .. i - 1]进行一些操作
cout << i - j << endl;
i = i - j + 1;
j = 0;
}
}
举例来说,假如s="abababcabaa"
, 我们暴力匹配,过程会是怎样?
从头开始匹配,第一个字符是a,匹配成功。
第2~4个字符也匹配成功,继续。
下一位,匹配失败,回溯。
匹配失败,继续尝试。
下一位,匹配成功。
就这样一直匹配到结尾。
设两个字符串的长度分别为 N 和 M,则暴力匹配的最坏时间复杂度是O(nm) 。究其原因,在于i进行回溯浪费了时间。能不能让i不走回头路呢?然而,如果i不回溯,同时又把j
置为0,很可能会出现缺漏,如下图。
这样配下去会漏掉一个匹配
于是为了让j
被赋为一个合适的值,我们引入了PMT(Partial Match Table,部分匹配表)。
j
应该被赋值为多少,是只与模式串自身有关的。每个模式串,都对应着一张PMT,比如"ababcabaa"
对应的PMT如下:
这是什么意思呢?简单地说,pmt[i]
就是,从p[0]
往后数、同时从p[i]
往前数相同的位数,在保证前后缀相同的情况下,最多能数多少位。(但要小于p
的长度)
专业点说,它是真前缀与真后缀的集合之交集中,最长元素的长度。(这里的“真”字与“真子集”中的“真”字类似)
为什么PMT可以用来确定j
指针的位置呢?让我们先回到暴力匹配算法第一次失配时的情形:
这时,s
中的'a'
与p
中的'c'
没有配上,我们计划保持i指针(上面的指针)不变,而把j指针左移。我们注意到,"abab"
已经匹配成功了,它拥有一个前缀"ab"
,以及一个后缀"ab"
(虚线部分),所以我们可以把这个"ab"
利用起来,变成下面这样:
实际上这时我们正是在令j=pmt[j-1]
。再举一个例子:
发生失配,我们令j=pmt[j-1](=3)
(也就是符合条件的最长前缀所紧接着的下一位):
仍不匹配,我们继续:
这次取得了成功。 当然,我们并不总是能成功,有可能j指针一路减到了0,但s[i]
仍然不等于p[j]
,这时我们不再移动j指针。
以上这些过程转换为代码是这样的:
for (int i = 0, j = 0; i < s.length(); ++i)
{
while (j && s[i] != p[j]) j = pmt[j - 1]; // 不断前移j指针,直到成功匹配或移到头为止
if (s[i] == p[j]) j++; // 当前位匹配成功,j指针右移
if (j == p.length())
{
// 对s[i - j + 1 .. i]进行一些操作
j = pmt[j - 1];
}
}
很多文章中会使用next
数组,即把PMT整体向右移一位(特别地,令next[0]=-1
),表示在每一位失配时应跳转到的索引。也就是说,失配时,按照i -> next[i] -> next[next[i]] -> ...
的顺序跳转。其实原理和实现都是差不多的。
现在问题来了,PMT怎么求?如果暴力求的话,时间复杂度是 O(mm) ,并不理想。一种精妙的做法是,在错开一位后,让p
自己匹配自己(这相当于是用前缀去匹配后缀)。我们知道pmt[0]=0
,而之后的每一位则可以通过在匹配过程中记录j
值得到。
还是以刚刚的模式串为例:
匹配失败,则pmt[1]=-1+1=0
,i
指针后移。
接下来匹配成功,j指针右移,可知pmt[2]=1
,然后将两个指针都右移。
继续匹配成功,j指针右移,pmt[3]=2
。
下一位失配,因为前面的pmt
已经算出来了,我们可以像匹配文本串时那样地使用它。pmt[2-1]
即pmt[1]
等于0,所以退回到开头。
j指针已经到了开头,仍未匹配成功,所以不再移动,pmt[4]=j=0
。
接下来也按这种方法操作:
最后一位出现失配,这次我们先令j=pmt[j-1]=1
:
再次匹配,匹配成功,j指针右移一位,pmt[i]=j=1
。自此,我们通过一趟自我匹配,求出了PMT,代码如下:
// pmt[0] = 0;
for (int i = 1, j = 0; i < plen; ++i)
{
while (j && p[i] != p[j]) j = pmt[j - 1];
if (p[i] == p[j]) j++;
pmt[i] = j;
}
现在已经可以解决洛谷模板题了:
#include <bits/stdc++.h>
using namespace std;
const int MAXN = 1e6 + 5;
int pmt[MAXN];
void get_pmt(const string& s) {
for (int i = 1, j = 0; i < s.length(); ++i) {
while (j && s[i] != s[j]) j = pmt[j - 1];
if (s[i] == s[j]) j++;
pmt[i] = j;
}
}
void kmp(const string& s, const string& p) {
for (int i = 0, j = 0; i < s.length(); ++i) {
while (j && s[i] != p[j]) j = pmt[j - 1];
if (s[i] == p[j]) j++;
if (j == p.length()) {
cout << i - j + 2 << '\n'; // 因为要1-index,所以是+2
j = pmt[j - 1];
}
}
}
int main() {
ios::sync_with_stdio(false);
string s, p;
cin >> s >> p;
get_pi(p);
kmp(s, p);
for (int i = 0; i < p.length(); ++i)
cout << pmt[i] << ' ';
return 0;
}
绝大多数情况下,上面的算法都够用了,所以很多人就管它叫KMP算法。但实际上,它只能称作MP算法,因为真正的KMP算法还有一个Knuth提出的常数优化。其实,这个真·KMP算法反而一般用不上,但这里也介绍一下。
例如对于"abababc"
这个模式串,如果我们用它来匹配"abababd"
,在最后处要跳转3次才能发现匹配失败:
其实中间这几次跳转毫无意义,我们明知道d
和a
是不能匹配的,却做了很多无用功。所以我们可以在计算pmt
时做一些小改动来避免这种情况。
例如上图这里,按道理匹配到这一步我们应该令pmt[i] = ++j (=2)
。但是我们发现,p[i + 1]
与p[j + 1]
是相等的'a'
。也就是说稍后在匹配时,假如j指针为4时失配(说明"ababa"
无法匹配),那在j指针为2时肯定也会失配(因为"aba"
也无法匹配)。所以我们不如把路径压缩一下——直接让pmt[i] = pmt[j] (=pmt[2-1])
而不是++j (=2)
,跳过j指针为2的情况。
void get_pmt(const string& s) {
for (int i = 1, j = 0; i < s.length(); ++i) {
while (j && s[i] != s[j]) j = pi[j - 1];
if (s[i] == s[j]) {
if (s[i + 1] == s[j + 1])
pmt[i] = pmt[j++];
else
pmt[i] = ++j;
}
else
pmt[i] = j;
}
}
其实这样得到的pmt
数组已经不符合我们定义的PMT的性质了,如果较真的话可以换一个名字。
无论是MP算法还是KMP算法,其总时间复杂度都是 O(m+n) ,这是因为++i
和++j
都只进行了 次,虽然j
在过程中有减小,但j
在任何时刻不可能小于 ,所以j
减小的次数也不可能超过 。