KMP算法学习

字符串匹配问题

查找某个长度为m的字符串P在文本字符串中出现的位置，文本串T的长度为n。
- 求P在T中第一次出现的位置
- 求P在T中所有出现的位置

---

一般解法

首先使用比较直观的平凡算法来求解该问题。基本思路是扫描T，先找到P第一个字符的出现位置，再继续匹配其后续的若干个字符，若出现不同则匹配失败返回，继续向后查找P的第一个字符。
时间复杂度为O（mn）阶。

---

KMP算法

KMP(Knuth-Morris-Pratt)算法主要是在匹配失败时做了改进。它利用模式串P中可能出现重复的特征，使每次P与T匹配失败后，不会再从头开始扫描P。

为P定义next数组

P中下标为i的字符的next[i]定义为：字符i之前的子串中相同前后缀的最大长度。

例子
定义 T: abababdaa P: abababcd
当扫描到下标为5的字符‘c’时匹配失败：

T:  ababab|d|aa
           |
P:  ababab|c|d

字符c之前的子串为ababab，有最长的相同前缀和后缀为abab，故next[5]为4。

KMP

接上文，匹配失败后将P右移next[5]位，继续下一次匹配。

例子

T:  ababab|d|aa
           |
P:      ab|a|babcd

可以看到，next[i]是在该字符处匹配失败时P应该右移的字符数，也就是扫描指针应该左移的字符个数。

---

性能讨论

字符集大小的影响
T和P可选择的字符集越大，则越不容易匹配成功，每次匹配失败的位置会更加靠前，性能较接近于平凡算法。

模式串P的特征
如果P的长度m较小，则性能改进不会很明显；
若P中重复很少，性能也不会太好，因为每次搜索时P实际右移的距离不大，与平凡解法接近。

较好情况
若字符集小且m较大时，KMP算法跳跃扫描的优势就能得到体现，可以得到较明显的性能改进。

---

参考
《计算机算法引论》