动态规划求编辑距离

 编辑距离，又称Levenshtein距离，是指两个字串之间，由一个转成另一个所需的最少编辑操作次数。许可的编辑操作包括将一个字符替换成另一个字符，插入一个字符，删除一个字符。

例如将kitten一字转成sitting：

1. sitten （k→s）
2. sittin （e→i）
3. sitting （→g）

          动态规划是解决该问题的常用思路。

          首先，初看这个问题并联系到动态规划是需要很强的数学抽象能力的，对于我这种抽象能力较弱的人来说，唯一能让我联系到动态规划的地方就是“最少”，“最 多”，这种字眼。假设我们决定试着使用动态规划求解，那就要寻找该问题有没有动态规划的特点。如果能够描述出问题的状态，并且能够得出一个状态转移方程， 则很有可能能够用动态规划求解。

         对于编辑距离问题，牵涉到源字符串src和目标字符串dest，显然一个状态量是不好描述这种两元关系的，那么就使用了i,j两个量来描述一个状态。对 于编辑距离的某个状态，从源字符串src的1->i 到目标字符串dest的1->j 的最优编辑距离用c[i,j]来表示，那么，现在的目标就是得到一个状态转移方程，即怎样从ti<i, tj<j 的这些子状态转移到i,j?在编辑距离的可选操作中，只有插入、删除和替换，那么子状态也只可能由这三种方式转移得到现在状态。

        如果是插入操作，那么必然是从c[i,j-1]转化到c[i,j]的，此时是向src[1...i]最后增加一个字符，转化方程是

              c[i,j]=c[i,j-1]+1

        如果是删除操作，那么必然是从c[i-1,j]转化到c[i,j]的，此时是将src[1...i]最后一个字符删除，转化方程是

              c[i,j]=c[i-1,j]+1

        如果是替换操作，那么必然是从c[i-1,j-1]转化到c[i,j]的，此时考虑src[i]和dest[j]是否相同，如果相同则不需要替换直接转移状态，如果不同则发生替换操作，转化方程是

 

1.        c[i,j]=c[i-1,j-1]          ;   src[i]==dest[j]
2.        c[i,j]=c[i-1,j-1]+1     ;   src[i] != dest[j]

      而当前状态c[i,j]到底是从哪种子状态转移得来的，就要比较哪种是最优的选择，即比较这三种转化的最小距离，所以最终得到的转移方程为：

 

      所以，现在我们可以写出动态规划解这个问题了，给出伪代码如下：

 

 

转载于:https://www.cnblogs.com/coder-j/p/4043055.html