Leetcode Algorithm 072. Edit Distance

Leetcode Algorithm 072. Edit Distance

Edit Distance
给定两个字符串，求出它们的编辑距离。编辑距离是指两个字符串上下排列时，其字母不同的列数的最小值，也就是把一个字符串变成另外一个字符串的最少编辑操作次数。编辑操作包括：插入、删除、替换一个字符。

解题思路

这个其实是《算法概论》中第159页的一个例题，为了避免考虑字符串对齐的各种的复杂情况，可以用动态规划来解决。

想用动态规划来解决这个问题的话，我们必须先要找到这个问题的子问题。

假设有两个字符串word1[1:m]和word2[1:n]
，如果我们能知道它们的前缀word1[1:i]和word2[1:j]的编辑距离，当i=m以及j=n时，就是我们想要的答案。

我们用E(i,j)来表示word1[1:i]和word2[1:j]的编辑距离，关键是考虑word1[1:i]和word2[1:j]对齐时，最后一个字符的情况，显然有三种情况：

1. word1[1:i-1]和word2[1:j-1]已经对齐了，编辑距离是E(i-1, j-1)。假如word1[i]==word2[j]，则E(i, j)=E(i-1, j-1)，即无需编辑；假如word1[i]！=word2[j]，则E(i, j)=E(i-1, j-1)+1，即要把word2[j]替换成word1[i]。
2. word1[1:i-1]和word2[1:j]已经对齐了，编辑距离是E(i-1, j)。那么要想word1[1:i]和word2[1:j]对齐，word2[1:j]必须插入一个与word1[i]相等的字符。
3. word1[1:i]和word2[1:j-1]已经对齐了，编辑距离是E(i, j-1)。那么要想word1[1:i]和word2[1:j]对齐，word2[1:j]必须删除word2[j]。

总结起来，E(i, j)就是从这三种情况中选择最优的情况，即E(i, j) = min(E(i-1, j-1)+diff(i, j), E(i-1, j)+1, E(i, j-1)+1)，其中，如果word1[i]==word2[j]，diff(i, j)=1，否则diff(i, j)=0。

剩下的是初始值的问题，即处理E(0, 0), E(i, 0), E(j, 0)的值。

1. E(0, 0)表示两个空串的编辑距离，即E(0, 0)=0。
2. E(i, 0)表示一个非空串和一个空串的编辑距离，要在空串中插入i个字符，即E(i, 0)=i。
3. 同理，E(i, 0)=j。

代码

#include<iostream>

using namespace std;

class Solution {
public:
    int minDistance(string word1, string word2) {
        int m = word1.size();
        int n = word2.size();
        int E[m + 1][n + 1];

        for (int i = 0; i <= m; i++) {
            E[i][0] = i;
        }

        for (int j = 0; j <= n; j++) {
            E[0][j] = j;
        }

        for (int i = 1; i <= m; i++) {
            for (int j = 1; j <= n; j++) {
                int diff = word1[i - 1] == word2[j - 1] ? 0 : 1;
                E[i][j] = min(E[i - 1][j - 1] + diff,
                        min(E[i - 1][j] + 1, E[i][j - 1] + 1));
            }
        }
        return E[m][n];
    }
};

测试样例

int main() {
    Solution s;
    cout << s.minDistance("exponential", "polynomial") << endl;

    return 0;
}

输出

6