【数据结构】朴素模式匹配 & KMP算法

🎇【数据结构】朴素模式匹配 & KMP 算法🎇

🌈 自在飞花轻似梦,无边丝雨细如愁 🌈

---

 

🌟 正式开始学习数据结构啦~此专栏作为学习过程中的记录🌟

---

一.朴素模式匹配算法

子串的定位操作通常称为串的模式匹配，它求的是模式串在主串中的位置，而朴素模式匹配就是一种不断移动主串指针，每一次都和模式串依次进行比较的暴力求解方法

思路：从主串的第一个位置起和模式串的第一个字符进行匹配，如果相等则继续匹配，否则从主串的第二个字符开始逐一比较，以此类推，直到全部匹配完成

我们来看朴素模式算法的时间复杂度：

最坏的情况是：当模式串为"0000001"，而主串为"000000000000000000001"时，由于模式串的前6个字符均为0，主串的前20个字符也为0，因此，每趟匹配都要匹配到最后一个元素才会匹配失败，而要回溯15次，总比较次数为：$15\times 7=105$次

因此，我们可以总结出朴素模式算法的缺点为：当某些子串与模式串能部分匹配时，指针i的经常回溯，导致时间开销大

1.用基本操作实现

其实，再之前串的基本操作中，我们就介绍了串的定位操作，这也是串的匹配实现

//1.求子串
bool SubString(SString& Sub, SString S, int pos, int len) { //Sub为子串，S为主串
	if (pos + len - 1 > S.len) //如果求的子串长度比总长度要大，则返回
		return false;
	for (int i = pos; i <= pos + len - 1; i++) {
		Sub.ch[i - pos + 1] = S.ch[i]; //第一个元素不存
	}
	Sub.len = len;
	return true;
}

//2.比较串
int StrCompare(SString S, SString T) {
	for (int i = 1; i <= S.len && i <= T.len; i++) { //同时在两个串长以内
		if (S.ch[i] != T.ch[i])
			return S.ch[i] - T.ch[i]; //返回该元素的ASCII差值
	}
	return S.len - T.len; //如果扫描过的字符全部相同，则长的更大
}


//3.定位
int Index(SString S, SString T) { //定位子串T在主串S中的位置
	int i = 1, n = S.len, m = T.len;
	SString sub; //记录子串
	while (i <= n - m + 1) {
		SubString(sub, S, i, m); //求子串
		if (StrCompare(sub, T) != 0)  //每一次都比较子串和T，如果子串不等于T，继续遍历下一个子串
			++i;
		else
			return i;
	}
	return 0;
}

2.不用基本操作实现

🔱思路分析：

1. 我们将定义两个指针$i,j$，一个指向主串，一个指向子串
2. 当$i,j$都不超过各自串的长度时：
   ① 如果此时$i,j$位置指向的值相等，则继续比较下一个元素，$i,j$均向后移一位;
   ② 如果此时$i,j$位置指向的值不相等，则让主串指针$i$回溯，指向之前指向的首位置的下一个，$j$指针指向子串的第一个；
3. 重复操作，直到结束

🎯 注意点：

1. $i=i-j+2$
   我们可以用图来直观地理解

   

   也就是说，可以将$i-j=2$变为$i-(j-1)+1$
   其中$i-(j-1)$表示 $i$ 之前指向的首个位置，$+1$则表示，$i$ 向后移动一步

2. $i-T.len$

   因为若最后一个元素匹配成功，则 $i,j$ 指针均会加 1，而此时 $i$ 指向下一个位置，$j$ 指向$T.len+1$位置

   于是，若$j>T.len$，则表明模式串所有字符都匹配成功，则此时 $i$ 减去模式串长度即为子串在主串中的首位置; 反之，则表明没有匹配成功

功能函数实现：

int Index(SString S, SString T) {
	int i = 1, j = 1; //指向两个串的指针
	while (i <= S.len && j <= T.len) {
		if (S.ch[i] == T.ch[j]) {
			++i;
			++j;
		}
		else {
			i = i - j + 2; //向后移一位
			j = 1;
		}
	}
	if (j > T.len)
		return i - T.len;
	else
		return 0;
}

完整代码实现：

#include<iostream>
#define Maxsize 50
using namespace std;

typedef struct {
	char ch[Maxsize];
	int len;
}SString,*String;

void InitString(SString& S) {
	S.len = 0;
}

void StrAssign(SString& S, char chars[]) {
	int i = 0;
	while (chars[i] != '\0') {
		S.ch[i + 1] = chars[i];
		S.len++;
		i++;
	}
}


int Index(SString S, SString T) {
	int i = 1, j = 1; //指向两个串的指针
	while (i <= S.len && j <= T.len) {
		if (S.ch[i] == T.ch[j]) {
			++i;
			++j;
		}
		else {
			i = i - j + 2; //向后移一位
			j = 1;
		}
	}
	if (j > T.len)
		return i - T.len;
	else
		return 0;
}

int main() {
	SString S, T;
	InitString(S);
	InitString(T);

	char s[] = "xiaoyanbaobaodan";
	char t[] = "yanbaobao";

	StrAssign(S, s);
	StrAssign(T, t);

	cout << "模式串T在S中的位置为：" << Index(S,T) << endl;

	system("pause");
	return 0;
}

输出结果：

二.$KMP$算法

实际上，KMP算法就是消除指针i的回溯，让i指针只进不退，而只移动模式串指针指向位置的方法

怎么理解呢？我们进一步来看

1.最长公共前后缀

在了解KMP算法之前，我们先要了解一个概念，就是最长公共前后缀

基本概念：

前缀：指除了最后一个字符以外，字符串的全部头部子串
后缀：指除了第一个字符以外，字符串的全部尾部子串
最长公共前后缀：即当前字符串构成的前缀集合和后缀集合，取交集，相同且相等的字符串，即为最长公共前后缀

✅ $e.g:$

以"ababa"为例：

1. 'a’的前后缀均为 ∅，最长的相等前后缀长度为0；
2. 'ab’的前缀为{a}，后缀为{b}，则交集为 ∅，最长公共前后缀长度为0；
3. 'aba’的前后缀为{a,ab}，后缀为{a,ba}，交集为 {a}，最长公共前后缀长度为1；
4. 'abab’的前缀为{a,ab,aba}，后缀为{b,ab,bab}，交集为 {ab}，最长公共前后缀长度为2；
5. 'ababa’的前缀为{a,ab,aba,abab}，后缀为{a,ba,aba,baba}，交集为{a,aba}，最长公共前后缀长度为3；

因此，我们得到了字符串"ababa"的最长公共前后缀长度为 0 0 1 2 3

我们现在来思考，我们得到这个值有什么用呢？

回到字符串匹配问题，对于模式串"ababc"和主串"ababababc"来说，有PM[]数组：

此时，当第5个位置不匹配时，我们需要移动指向模式串的指针$j$，若我们指向第4个位置（也就是模式串向后移动一个位置），但是，蓝色划线部分的前面是不匹配的，因此，我们还需要往后移动一个，才可以让蓝色划线之前的字符串匹配成功(“ab”)

我们的思考就在，能不能预测到这一次的匹配失败呢？

答案当然是可以的!
用公共前后缀判断：因为此时123位置的元素为"aba"，而234位置的元素为"bab"，所以，肯定是不能成功匹配的，因为它不是前四个字符串"abab"的公共前后缀

对于"abab"，我们对其进行内部匹配：发现它无法匹配，也就预测了次移动方法一定不行!!!

✅ 核心思想：

当前指向的是第5个位置，要想移动后保证尽可能多的前面的字符匹配，又因为前4个字符与主串已经匹配成功，我们就需要得到前4个元素的最大公共前后缀，只需要将该最大公共前缀串移动至后缀串位置（此时两个子串相同），就能保证移动后匹配的字符长度最大

这是书上的图，可以方便比较一下：

所以我们只需要找到此时的最长公共前后缀即可

2.理解$next$数组

我们在上面得到了最长公共前后缀数组，记为$PM[]$，并可以得到 移动步数的规律：

$Move=已匹配的字符串长度-最长公共前后缀长度$

那么，我们接下来要进一步研究这一结论

因为已匹配的字符串长度为$j-1$，而前$j-1$个字符的最长公共前后缀长度为$PM[j-1]$

所以写成：

$Move=j-1-PM[j-1]$

我们不妨将$PM$数组统一向后移动一位，这样$j-1$变为$j$，就表示当j位置的字符不匹配时，应该移动的步数为：

$Move=j-1-PM[j]$

🎯 注意：

1. 原来PM数组的第一个元素右移之后变为-1，因为若第一个字符不匹配，则一定需要将模式串向右移动一位，所以不用计算；
2. 原来PM数组的最后一个元素溢出而删除，因为原来最后一个元素PM[j]是在指针指向$j+1$时才会使用的，而字符串总长就只有$j$，因此，删去将不会影响结果

这样，当第 j 个字符不匹配时，只用看自己底下的PM数组值就好啦~

为了便于计算，再改进，将PM数组的值统一 +1，与 j-1中的 -1抵消，于是，我们得到了next数组：

$Move=j-next[j]$

因为当模式串指针j不匹配时，指针j会移动到：

$j=j-Move$ 位置处

所以，代入Move值，最终得到了子串指针移动位置公式：

$j=next[j]$

✅ 我们最后来看一看next数组的含义：
$next[j]$的含义是：在子串的第 $j$ 个位置与主串发生匹配失败时，则指针跳到子串的$next[j]$位置处，重新与当前位置的主串字符比较

🎯 总结：

到这里，说了这么多，其实就是两个东西

1. 🍰子串滑动距离：
   $Move=已匹配字符串长度-已匹配子串的最大公共前后缀长度$
2. 🍰$next[j]$：当 $j$ 不匹配时，$j$ 要移动至子串的位置为：
   $j^{\prime }=已匹配子串的最大公共前后缀长度+1$

3.求解$next$数组

当然，还没结束，接下来，我们还要推导 next数组的一般公式：

①手算实现

step：

在不匹配处划一条分界线，模式串一步步向后退，直到分界线前面的字符串与主串相匹配，则让指向模式串的指针j指向分界线右侧的第一个字符

图解算法：

此时，主串指针$i=5$，则$next[5]=3$

②机算实现

✅科学算法：设主串为"$s1s\mathrm{2...}sn$"，模式串为"$p1p\mathrm{2...}pm$"，当主串中第 $i$ 个元素与模式串中第 $j$ 个元素不匹配时，最长公共前后缀串应该移动至多远，然后与模式串中哪个字符匹配呢？

假设此时应该与模式中第k个字符进行比较，则模式中前$k-1$个字符的子串应该满足下列条件：
$"p1p\mathrm{2...}{p}_{k-1}"="p_{j-k+1}{p}_{j-k+2}...p_{j-1}"$

若存在满足上述条件的子串，则发生失配时，只需将模式串滑至$pk$字符和主串中$si$字符对齐即可

图解：

可以看出，当不存在上述的子序列时，即 $k=1$，显然应该将模式串移动 $j-1$ 个位置，将模式串第一个字符与主串第 $i$ 个字符比较，因此，当 $j=1$时，$next[1]=0$

我们先引出next数组求解公式：

✅ 公式解释：

1. 当 $j=1$ 时，为什么要取$next[j]=0$？
   当第一个字符与主串不匹配时，可以理解为主串的第 $i$ 个位置与模式串的第$0$个位置对齐，所以应该同时将指针 $i$ 和 $j$ 向右移动一个位置

2. 为什么要取$max(k)$，$k$最大是多少？
   当主串的第 $i$ 个字符与模式串的第 $j$ 个字符配对失败时，因为$k$为模式串的下一次比较位置，$k$ 值可能有多个，但为了不使向右移动丢失可能得匹配，所以要使右移的距离应该尽可能小，即右移距离$Move=j-next[j]$应该尽可能小，应该取max{k}

3. 其他情况是什么，为什么要取$next[j]=1$？
   除了上面两种情况，发生失配时，主串指针 $i$ 不回溯，在最坏的情况下，模式串从第1个位置与主串 $i$ 位置进行比较

---

掌握了next的一般公式，接下来我们来看代码如何实现：

首先我们肯定知道：$next[1]=0$ 是确定的

我们的思考是：假设我们已知了$next[j]=k$，那么怎么递推得到$next[j+1]$呢？

这里设此时的$k$满足上述条件：$"p_1{p}_2...p_{k-1}"="p_{j-k+1}{p}_{j-k+2}...p_{j-1}"$，也就是当第$j-1$个位置失配时，移动至第$k$个位置

于是，有两种情况：

1. $p_k=p_j$:
   则在模式串中表现为：$"p1p\mathrm{2...}{p}_k"="p_{j-k+1}...pj"$
   

   所以此时，若$i$与$j+1$位置失配，应该移动至$k+1$位置比较：
   $next[j+1]=next[j]+1$

if (T.ch[k]==T.ch[j]){
    ++k;++j;
    next[j]=k;
}

2. $p_k\ne p_j$：

   

   我们可以把$next$函数值的求解问题转化为模式匹配问题：
   也就是将当前的前缀"$p_1...p_k$"与后缀"$p_{j-k+1}...p_j$"进行模式匹配，这样找到前 $j$ 个元素的更小的相等的前后缀

   
   

   由于此时"$p_1...p_{k-1}$"和"$p_{j-k+1}..p_j$"都是相同的，所以这时候相当于将$j1$指针指向前缀，$j1$不断前移，$j2$指针指向后缀，$j2$不断后移（这里 $j1$ 是主动指针，而 $j2$ 相当于从动指针），因为只要保证他们一直为之前的公共前缀，就可以不用在意这$k^{\prime }-1$长度的子串，这样主要考虑的就是要找到前缀中的一个值 $p_k^{\prime }=p_j$

   
   

   所以，要保证长度为k’-1的前后缀相同：

   $k^{\prime }=next[k]$，若与$p_j$不相同，继续取$k^{\prime }=next[next[k]]$

   
   

   ✅ ①若能找到相等的$p_{k^{\prime }}$为止，满足：

   $"p1p\mathrm{2...}{p}_{k^{\prime }}"="p_{j-k^{\prime }+1}...pj"$

   $next[j+1]=k^{\prime }+1$

   
   

   ✅ ②若不能找到相等的$p_{k^{\prime }}$，则下一次从第一个位置开始比较，即：

   $next[j+1]=1$

   
   

   $e.g$:上述情况就是均不能匹配时，$next[7]=1$

   

如果不理解可以看看手算草稿：

则当 j为前缀指针，i为后缀指针时，有如下代码：

//求next数组
void Get_next(SString& S,int next[]) {
	int i = 1, j = 0;
	next[1] = 0;
	while (i < S.len) {
		if (j == 0 || S.ch[i] == S.ch[j]) { //也就是 pk==pj 时
			++i; ++j;
			next[i] = j; //这里保证i>1时，next[i]>=1
		}
		else {
			j = next[j]; //j移动至当前公共前后缀的下一位置
		}
	}
}

至此，就是求解next数组的全部内容啦~！

4.$kmp$算法实现

🎯其实，在得到了next数组后，kmp的匹配算法相对要简单地多，它在形式上与朴素模式算法很相似，不同之处仅在于当匹配模式过程中产生失配时，指针i不变，指针j退回到next[j]的位置（最长公共前后缀的前缀串的下一个位置）并重新比较，并且当指针j=0时，指针i与指针j同时加1，即若主串的第i个位置与模式串的第一个位置不匹配，应该从主串的i+1位置匹配

$KMP$ 算法的 时间复杂度：$O(m+n)$

$kmp$代码实现：

//kmp模式匹配
int Kmp(SString S, SString T,int next[]) {
	int i = 1, j = 1;
	while (i <= S.len && j <= T.len) {
		if (j == 0 || S.ch[i] == T.ch[j]) {
			i++; j++; //如果匹配，就继续比较后面一个元素
		}
		else {
			j = next[j]; //如果不匹配，j移动下一个位置
		}
	}
	if (j > T.len)
		return i - T.len;
	else
		return 0;
}

完整 $kmp$算法实现：

#include<iostream>
#define Maxsize 50
using namespace std;

typedef struct {
	char ch[Maxsize];
	int len;
}SString, * String;

void InitString(SString& S) {
	S.len = 0;
}

void StrAssign(SString& S, char chars[]) {
	int i = 0;
	while (chars[i] != '\0') {
		S.ch[i + 1] = chars[i];
		S.len++;
		i++;
	}
}

//求next数组
void Get_next(SString& S,int next[]) {
	int i = 1, j = 0;
	next[1] = 0;
	while (i < S.len) {
		if (j == 0 || S.ch[i] == S.ch[j]) { //也就是 pk==pj 时
			++i; ++j;
			next[i] = j; //这里保证i>1时，next[i]>=1
		}
		else {
			j = next[j]; //j移动至当前公共前后缀的下一位置
		}
	}
}

//kmp模式匹配
int Kmp(SString S, SString T,int next[]) {
	int i = 1, j = 1;
	while (i <= S.len && j <= T.len) {
		if (j == 0 || S.ch[i] == T.ch[j]) {
			i++; j++; //如果匹配，就继续比较后面一个元素
		}
		else {
			j = next[j]; //如果不匹配，j移动下一个位置
		}
	}
	if (j > T.len)
		return i - T.len;
	else
		return 0;
}


int main() {
	SString S, T;
	InitString(S);
	InitString(T);

	char s[] = "ababacababcda";
	char t[] = "ababc";

	StrAssign(S, s);
	StrAssign(T, t);

	//构造next数组
	int next[Maxsize];
	Get_next(S, next);

	//kmp模式匹配
	int index = Kmp(S, T, next);
	cout <<"kmp算法下，得到模式串T在主串中的位置是：" << index << endl;

	system("pause");
	return 0;
}

输出结果：

三.$KMP$算法优化

你以为就结束了？你以为$kmp$算法已经是最好了？没错，它甚至还可以优化！

🎁 比如，当模式串"aaaab"和主串"aaacaaaab"进行匹配时:

当i=4，j=4时，$s_4$跟$p_4$失配，如果用之前的next数组还需要进行$s_4$与$p_3$、$p_2$、$p_1$进行3次匹配，事实上，因为$p_{next[4]=3}=p_4=a$、$p_{next[3]=2}=p_3=a$，$p_{next[2]=1}=p_2=a$，显然后面三次匹配都是无意义的，那么问题出在哪呢？

问题在于，不应该出现 $p_j=p_{next[j]}$

理由是：当$p_j\ne s_j$时，下一次必然是$p_{next[j]}与s_j$进行比较，但是如果$p_j=p_{next[j]}$时，就会出现上述情况，发现不相等后，又再次取$next[next[j]]$，这样必然导致继续失配，就会不断进行重复的比较

那么遇到这种情况应该如何处理呢？

✅ 其实，我们只需要改变next数组，将这里的 $next[j]修改为next[next[j]]$，不断从前往后递归，并改名为nextval数组，则可得到最终结果

如果不理解可以再看看手算的草稿：

求解nextval数组：

只需要多一层判断即可

//求nextval数组
void Get_nextval(SString& S, int nextval[]) {
	int i = 1, j = 0;
	nextval[1] = 0;
	while (i < S.len) {
		if (j == 0 || S.ch[i] == S.ch[j]) {
			++i; ++j;
			if (S.ch[i] != S.ch[j]) //增加条件
				nextval[i] = j;
			else
				nextval[i] = nextval[j]; //也就是相等的情况下，等于next[j]
		}
		else {
			j = nextval[j]; //j移动至当前公共前后缀的下一位置
		}
	}
}

完整代码实现：

#include<iostream>
#define Maxsize 50
using namespace std;

typedef struct {
	char ch[Maxsize];
	int len;
}SString, * String;

void InitString(SString& S) {
	S.len = 0;
}

void StrAssign(SString& S, char chars[]) {
	int i = 0;
	while (chars[i] != '\0') {
		S.ch[i + 1] = chars[i];
		S.len++;
		i++;
	}
}

//求nextval数组
void Get_nextval(SString& S, int nextval[]) {
	int i = 1, j = 0;
	nextval[1] = 0;
	while (i < S.len) {
		if (j == 0 || S.ch[i] == S.ch[j]) {
			++i; ++j;
			if (S.ch[i] != S.ch[j]) //增加条件
				nextval[i] = j;
			else
				nextval[i] = nextval[j]; //也就是相等的情况下，等于next[j]
		}
		else {
			j = nextval[j]; //j移动至当前公共前后缀的下一位置
		}
	}
}

//kmp匹配
int Kmp(SString S, SString T, int nextval[]) {
	int i = 1, j = 1;
	while (i <= S.len && j <= T.len) {
		if (j == 0 || S.ch[i] == T.ch[j]) {
			i++; j++; //如果匹配，就继续比较后面一个元素
		}
		else {
			j = nextval[j]; //如果不匹配，j移动下一个位置
		}
	}
	if (j > T.len)
		return i - T.len;
	else
		return 0;
}


int main() {
	SString S, T;
	InitString(S);
	InitString(T);

	char s[] = "ababacababcda";
	char t[] = "ababc";

	StrAssign(S, s);
	StrAssign(T, t);

	//构造nextval数组
	int nextval[Maxsize];
	Get_nextval(S, nextval);

	//kmp模式匹配
	int index = Kmp(S, T, nextval);
	cout << "kmp优化后，得到模式串T在主串中的位置是：" << index << endl;

	system("pause");
	return 0;
}

输出结果：

---

 

🎇本节详细讲解了字符串中的经典算法——$kmp$算法~🎇

如有错误，欢迎指正~！