【项目实训日志二】Shortest Superstring最短超串问题

本文章总结一下《Approximation Algorithm》一书中第七章Shortest Superstring的相关内容。

问题定义

Given a finite alphabet Σ, and a set of n strings, find a shortest string s that contains each si as a substringS = { $s_1$,…,$s_n$} ⊆ Σ+
Σ是一个有穷字符集，比如26个小写字母，S是$s_1$,…,$s_n$这n个字符串的集合（）假定这些字符串中，每一个都不是另一个的子集。，这些字符串中的字符都取自字符集Σ，比如由小写字母构成的字符串，并且不能是空串。最短超串问题就是找到一个包含S中所有字符串的最小字符串。

定义overlap

定义s,t之间的overlap同时是s的后缀和t的前缀，即两者之间首尾最大重合（最长）。
例：overlap(aabbb,bbbcc)=bbb,|overlap(aabbb,bbbcc)|=3

贪心算法举例

首先是一个贪心算法：在集合S中找出首尾匹配最大的两个串，将他们重叠拼接成一个新串，再放回集合S。重复上述步骤直到集合中只剩下一个字符串，这个串就是一个超串,它包含所有的$s_i$作为子字符串。但是贪心算法不一定能找到最优解，它的近似比为2（这里它还没有证明为什么近似比是2，只是说一下）。我们看一个例子假设有三个串 S={ $a{b}^k$, $b^{k}c$，$b^{k+1}$}。基于贪心策略，无法决定先拼接哪两个串，于是选择前两个串，得到$a{b}^{k}c$,最后再和第三串拼接，得到$a{b}^{k}c{b}^{k+1}$。而实际上最短串是$a{b}^{k+1}c$，他们几乎相差两倍。
$a{b}^k$ abbbbbbbb(k个b)
$b^{k}c$ bbbbbbbbc(k个b)
$b^{k+1}$ bbbbbbbbb(k个b加1个b)

A factor 4 algorithm一个近似比为4的算法

具体算法

1.构造S中对应字符串的前缀图.

2.找到这个前缀图中的最小权重cycle cover，C = { $c_1$ ,…,$c_k$ }

3.输出σ($c_1$ ) ◦ … ◦ σ($c_k$ ).

理解算法

我们先找到最优解的一个良好的下界，假设$s_1$,$s_2$，…，$s_n$按出现在最短超串s中最左边的顺序编号。

此图在这个问题中非常重要，需要刻进DNA里
令overlap($s_i$ ,$s_j$ )表示$s_i$和$s_j$之间的最大重叠，也就是说，$s_i$的最长后缀是$s_j$的最长前缀。同时，用 prefix($s_i$ ,$s_j$ )表示 $s_i$ 中与 $s_j$没有重叠的部分。假设没有$s_i$是另一个的子字符串，我们得到
OPT =|prefix($s_1$ ,$s_2$ )| + |prefix($s_2$ ,$s_3$ )| + … + |prefix($s_n$ ,$s_1$ )|+|overlap($s_n$ ,$s_1$)|.

现在定义一个prefix graph:
S的前缀图定义如下：
它是一个在顶点集{1,…,n}上的有向图，对于每一对顶点i,j，从i到j的边权重为|prefix($s_i$ ,$s_j$ )|（包括自环边——一个顶点到这个顶点自身的边）。
显然,|prefix($s_1$ ,$s_2$ )| + |prefix($s_2$ ,$s_3$ )| + … + |prefix($s_n$ ,$s_1$ )代表了从1 → 2 → … → n → 1的权重。 因此，由(7.1)可知，通过前缀图的旅行商旅行的最小耗费给出了OPT的下界(因为该路径加上|overlap($s_n$,$s_1$)才是OPT|)。但是这个下界不是很有用，因为我们不能有效地计算旅行商的最小耗费(旅行商问题是np-hard的)。

所以换一种思路，使用前缀图的 圈覆盖（cycle cover) 的最小权值进行下界选择(在此书定义中，一个圈覆盖是覆盖所有顶点的不相交的圈的集合)。因为1→2→…→n→1是一个cycle cover，由(7.1)可得cycle cover的最低权重就是OPT的下限。

与最小TSP不同，一个cycle cover的最小权重是多项式时间可计算的。对应于前缀图，构造二分图H。U = { $u_1$,…,$u_n$}和V ={ v 1 v_1