【算法】KMP算法

一. 暴力匹配

字符串匹配的最直接的方法就是暴力匹配，而KMP算法也是基于暴力算法进行改进。暴力匹配的思想如下：

1. 对于文本串T和模式串P，从模式串P的第 0 号位置、文本串第 $i_0$ 号位置开始逐一比对；
2. 比对到中间某个时刻，若$T[i]==P[j]$，则比对继续进行，$i++,j++$
3. 如果比对失败，则从模式串第0位和文本串的第$i_0+1$位继续进行
   

但是$T[i_0,i)$和$P[0,j)$比对成功意味着$T[i_0,i)$和$P[0,j)$完全相同的，掌握了$P[0,j)$那么也就意味着掌握了$T[i_0,i)$，下一轮的比对方案完全可以提前预知。

例1

在图中的比对过程中，主串中的 x 和模式串中的 y 失配，根据模式串中 y 以前的内容可以获知主串对应部分的内容。如果在下一步的比对过程中直接将主串中的 x 和模式串中的 e 进行比对，可以省去 6 次比对

二.KMP的基本思想

在对暴力破解的算法的分析中发现，对比在某个位置失败意味着在这之前的比对完全成功，主串中失配字符前的一段内容已经完全获知。利用这一点，对暴力算法可以进行两个方面的优化：

1. 避免主串的回溯。暴力匹配当比对失败后，文本串的第$i_0+1$位、$i_0+2$位、……、$i-1$位的对比结果完全可以推导出来，没有必要再进行比对尝试；
2. 模式串快速移动。基于和上面相同的原因，模式串的新的比对位置不需要从 0 开始。如例一中的模式串，字符y和字符e的前面都包含了"abc"这一部分，因此y前面的部分能和主串匹配成功，那么e前面的也一定能匹配成功。

因此对于模式串中的每个位置 j ，都能提前找到一个替代位置。

例2

模式串"abababca"，对字符c而言，2号位的 a 和4号位的 a 都是能够在字符 c 发生失配时的一个可选择的位置

在诸多可选的继任位置中，位置下标越大，意味着已经成功匹配的长度越长，剩下需要比对的位置也就越少，因此 j 的继任位置$next[j]$定义为：

$$next[j]=\max (k|p_0{p}_1...p_{k-1}=p_{j-k}{p}_{j-k+1}...p_{j-1})$$

通常定义$next[0]=-1$或者$next[1]=0$（当字符串的下标从1开始时），这种规定是假想在模式串的起始位置的前一个有一个通配哨兵。

三.next[]的求法

1. 暴力求解

根据$next[j]$的定义，从逐一枚举字符P[j]的真前缀和真后缀，找出相等的真前缀和真后缀的长度，取长度的最大值即为$next[j]$

2. 递推求解

假设已经求得$next[0,...,j]$，递推求解$next[j+1]$

$next[j]$已知意味着$P[0,1,...,next[j]-1]$和$P[j-next[j],...,j-1]$是相等的，并且这个相等的部分是最大的，求取$next[j+1]$时，只需要考察$P[next[j]]==P[j]$是否成立。如果成立，$next[j+1]=next[j]+1$ ，如果不成立，再考察$P[next[next[j]]]==P[j]$是否成立，依次类推，最终会收敛于$next[0]+1=0$

插图来自视频

void buildNext(string str, int nt[]){
    int len = str.size();
    nt[0] = -1;
    int t = nt[0], j = 0;
    while(j < len - 1){
        if(t < 0 || str[j] == str[t]){
            nt[++j] = ++t;
        }else{
            t = nt[t];
        }
    }
}

四.KMP算法

在求解了next数组之后，kmp算法变得非常简单了。

int kmp(string str1, string str2){
    int nt[str2.size()];
    buildNext(str2, nt);//构建next表
    int i = 0, j = 0;
    while(i < str1.size() && j < str2.size()){//逐步比对
        if(j < 0 || str1[i] == str2[j]){//比对成功时，前进一位，j < 0表示和通配符比对成功
            i++; j++;
        }else{//对比失败，找到新的位置比对
            j = nt[j];
        }
    }
    return i - j;
}