字符串匹配自动机的算法原理

上一节，我们知道，如何构造一个有限状态机，用于字符串匹配，我们只给出了怎么做，这一节，我们详细说明一下，为什么要这么做，我们要从数学上验证上一节我们给出的算法逻辑是经得起考验的。

如上图所示，有限状态自动机有以下几个特点：
1. 它由一系列的状态节点组成，我们用Q来表示这些节点的集合
2. 状态机一开始就会处于初始状态，我们用$q_0$来表示
3. 所以状态中，必有一个状态A $\in$ Q 叫接收状态,例如上图的节点1.
4. 组成字符串的字符集$\sum$, 例如上图中，字符集只包含a,b两个字符。
5. 当状态机处于某个状态，接收到一个输入字符时，会跳转到另一个状态，这种跳转我们用一个函数$\delta$ 来表示，例如，根据上图，当状态机处于状态0，输入是字符a时，状态转移到状态1，于是就有$\ell$(0, a) = 1

我们再引入一个函数$\phi$, 叫最终状态函数，它接收一个字符串，然后给出状态机读入该字符串后，最终会处于哪个状态，例如给定字符串”abba”,上面的状态机接收后，最终会处于状态1，于是就有 $\phi$(“abba”) = 1, 如果给定的字符串是”aabb”, 状态机接收该字符串后，最终处于的状态是0，所以 $\phi$(“aabb”) = 0

状态机一开始时，处于初始状态，也就是状态机什么都不接收时或接收空字符串时就处于初始状态，于是我们有：
$\phi$($\epsilon$) = $q_0$
假设w 是一个字符串，那么有：
$\phi$(wa) = $\delta$($\phi$(w), a)
上面这个公式需要好好解释一下，假定w=”aabb”, wa = “aabb” + ‘a’ = “aabba”.

当状态机接收字符串”aabb”后，处于状态0，于是就有 $\phi$(“aabb”) = 0.状态机接收字符串wa后所达到的最终状态，相当于先接收字符串w,达到状态0后，再接收最后的字符a,使得状态机从状态0，再进行一次跳转，根据上图，状态机处于状态0，输入字符为a时，跳转到状态1，于是有$\delta$(0, a) = 1, 又由于状态0是状态机接收字符串”aabb”后的最终状态，所以0 = $\phi$(“aabb”), 代入上一个式子有$\delta$( $\phi$(“aabb”), a) = 1, 先接收字符串”aabb”，到达一个状态，然后再接收字符a到达另一个状态，这不就相当于字符串”aabba” = “aabb” + ‘a’, 所抵达的最终状态吗，所以就有：
$\phi$(“aabba”) = $\delta$($\phi$(“aabb”), a).

数学推理是一个比较烧脑的过程，想必上面的解释会让不少同学抓耳挠腮一阵子。

假设要查找的字符串，我们用P来表示，对于给定一个文本T, 如果P 的前k个字符所组成的字符串是T的后缀的话，我们就定义：
$\sigma$(T) = k,

例如 P=”abcdefg”, T = “hhhhhhhha”, 那么P的前1个字符所组成的字符串”a”是T的后缀，所以 $\sigma$(T) = 1

T=”hhhhhhab”, 那么P的前两个字符组成的字符串”ab”构成T的后缀，于是$\sigma$(T) = 2.

T=”hhhhhabc”, P的前3个字符组成的字符串”abc”构成T的后缀，于是有$\sigma$(T) = 3

依次类推。

上一节我们构造的状态机是满足以下条件的：
1. 如果P 含有m个字符，那么状态机就有m+1个状态节点，他们分别为{0,1,2…m}, 并且初始状态$q_0$ = 0, 接收状态是m.
2. 当状态机处于状态q时，如果接收字符a, 那么状态机要跳转的下一个状态是：
$\delta$(q, a) = $\sigma$($P_q$a)

上一节我们给出的代码有这么一段：

 private void makeJumpTable() {
       int m = P.length();
       for (int q = 0; q <= m; q++) {
           for (int k = 0; k < alphaSize; k++) {

               char c = (char)('a' + k);
               String Pq = P.substring(0, q) + c;


               int nextState = findSuffix(Pq);
               System.out.println("from state " + q + " receive input char " + c + " jump to state " + nextState);
               HashMap<Character, Integer> map = jumpTable.get(q);
               if (map == null) {
                   map = new HashMap<Character, Integer>();
               }

               map.put(c, nextState);
               jumpTable.put(q, map);
           }
       }

String Pq = P.substring(0, q) + c; 这一句代码的作用，其实就是构造字符串$P_q$a, 代码findSuffix(Pq); 其实就是计算$\sigma$($P_q$a).

如果我们能够证明，我们前一节构造的状态机满足：
$\phi$($T_i$) = $\sigma$($T_i$)

$\phi$($T_i$) 表示把文本T前i个字符构造的字符串输入到状态机后所达到的最终状态。

$\sigma$($T_i$) 表示，从P的前k个字符可以组成字符串$T_i$的后缀，如果有某个i使得 $\phi$($T_i$) = m, 那么根据上面式子，字符串P将成为字符串$T_i$的后缀，而$T_i$又是字符串T的前缀，这不就意味着字符串P包含在T中了吗，所以，如果我们构造的状态机满足上面的等式，那么我们依次将T的字符输入到状态机中，当状态机跳转到状态m时，就表明字符串P包含在文本T中了。于是接下来我们将思考如何证明等式：

$\phi$($T_i$) = $\sigma$($T_i$)

定理1：
对给定的匹配字符串P, 以及文本x, 还有任意字符a, 我们有：
$\sigma$(xa) <= $\sigma$(x) + 1

令r = $\sigma$(xa), 如果r = 0 ，上面的等式明显是成立的。因为$\sigma$(x)肯定是大于等于0的。如果r > 0, 也就是从P的第一个字符开始，连续r个字符所构成的字符串$P_r$能构成xa的后缀，xa = x + ‘a’，也就是字符串xa是以字符a结尾的， 那么$P_r$的最后一个字符也肯定是’a’, 如果我们同时将字符’a’从$P_r$和xa的末尾去掉，那么我们有$P_{r-1}$是x的后缀，例如P=”bac”, x=”dddb”, 那么$P_2$ = “ba” 是xa(“dddba”) 的后缀，去掉末尾的字符a后，$P_1$=”b” 仍然是字符串x(“dddb”)的后缀。

由于$P_{r-1}$ 是x的后缀，而k=$\sigma$(x),表示最大的k，使得$P_k$是x的后缀，那么就有 r-1 <= k 也就是 r-1 <= $\sigma$(x), 调整一下就有 r <= $\sigma$(x) + 1, 由于r = $\sigma$(xa), 于是就有:
$\sigma$(xa) <= $\sigma$(x) + 1

定理2：
对匹配字符串P, 文本字符串x, 以及任意一个字符a, 如果 q = $\sigma$(x), 那么
$\sigma$(xa) = $\sigma$($P_q$a)

先看个具体实例，P=”bacdb”, x=”ffffb”, 1 = q = $\sigma$(x), $P_1$=”b”,
xa = “ffffba”, 于是2 = q = $\sigma$(xa), 而$P_1$a = “ba”, 从字符串P第一个字符开始，连续2个字符所构成的字符串是$P_1$a的后缀，于是有$\sigma$($P_1$a) = 2 = $\sigma$(xa).

如果 $P_q$是字符串x的后缀，那么$P_q$a仍然是字符串xa的后缀，如果令r=$\sigma$(xa), 也就是$P_r$是字符串xa的后缀，根据上一个定理有r <= q + 1. 由于字符串$P_r$含有r个字符， 字符串$P_q$a还有q + 1个字符， r <= q + 1, 也就是字符串$P_r$的长度比字符串$P_q$a要短，但是$P_q$a是字符串xa的后缀，同时字符串$P_r$也是字符串xa的后缀，于是就有$P_r$是$P_q$a的后缀，因此就有r <= $\sigma$($P_q$a), 由于 $\sigma$(xa) = r, 于是 $\sigma$(xa) <= $\sigma$($P_q$a),

于此同时$P_q$a又是xa的后缀，于是又成立：
$\sigma$($P_q$a) <= $\sigma$(xa)

综合两个不等式，我们有$\sigma$($P_q$a) = $\sigma$(xa)

定理3：
给定匹配文本P, 以及要查找的文本T[1…n]，那么对i=0, 1, 2…n 有：
$\phi$($T_i$) = $\sigma$($T_i$).

也就是说，我们把字符串T[1..i]输入到自动机后，最终的状态编号k相当于匹配字符串P[1…k] 是字符串T[1..i]的后缀，如果k = m, 那么P就是T[1..i]的后缀，从而能P就包含在文本T中。

证明：
我们在i上用数学归纳法，当i=0时，结论显然成立，假设当i=k时也成立，那么有：
$\phi$($T_k$) = $\sigma$($T_k$).
接下来我们需要证明等式$\phi$($T_{k+1}$) = $\sigma$($T_{k+1}$)
令 q = $\phi$($T_k$), a = T[i+1].
$\phi$($T_{k+1}$) = $\phi$($T_k$a) (T[1…i+1] 相当于字符串T[1…i]后面添加字符T[i+1])

$\phi$($T_k$a) = $\delta$($\phi$($T_k$), a) = $\delta$(q, a)
=$\sigma$($P_q$a)(根据状态机的构造方法) = $\sigma$($T_i$a)(根据定理2和上面的假设) = $\sigma$($T_{i+1}$).

于是我们便证明了，上一节我们所构造的状态机用于匹配字符串是正确的。