1. 什么是最长公共子序列?什么是最长公共子串?
1.1. 最长公共子序列(Longest-Common-Subsequences,LCS)
最长公共子序列(Longest-Common-Subsequences,LCS)是一个在一个序列集合中(通常为两个序列)用来查找所有序列中最长子序列的问题。这与查找最长公共子串的问题不同的地方是:子序列不需要在原序列中占用连续的位置 。
最长公共子序列问题是一个经典的计算机科学问题,也是数据比较程序,比如Diff工具,和生物信息学应用的基础。它也被广泛地应用在版本控制,比如Git用来调和文件之间的改变。
1.2 最长公共子串(Longest-Common-Substring,LCS)
最长公共子串(Longest-Common-Substring,LCS)问题是寻找两个或多个已知字符串最长的子串。此问题与最长公共子序列问题的区别在于子序列不必是连续的,而子串却必须是连续的。
2. 如何求解最长公共子序列?
例如序列str_a=world,str_b=wordl。序列wo是str_a和str_b的一个公共子序列,但是不是str_a和str_b的最长公共子序列,子序列word是str_a和str_b的一个LCS,序列worl也是。
暴力查找?
寻找LCS的一种方法是枚举X所有的子序列,然后注意检查是否是Y的子序列,并随时记录发现的最长子序列。假设X有m个元素,则X有2^m个子序列,指数级的时间,对长序列不实际。
分析问题,设str_a=和str_b=为两个序列,LCS(str_a,str_b)表示str_a和str_b的一个最长公共子序列,可以看出
如果str_a[m] == str_b[n],则LCS (str_a, str_b) = str_a[m] + LCS(str_a[1:m-1],str_b[1:n-1]) 如果str_a[m] != str_b[n],则LCS(str_a,str_b)= max{LCS(str_a[1:m-1], str_b), LCS (str_a, str_b[n-1])}
LCS问题也具有重叠子问题性质:为找出LCS(str_a,str_b),可能需要找LCS(str_a[1:m-1], str_b)以及LCS (str_a, str_b[n-1])。但这两个子问题都包含着LCS(str_a[1:m-1],str_b[1:n-1]).
2.1 基于递归的方法
根据上边分析结果,可以写出简洁易懂的递归方法。
def recursive_lcs(str_a, str_b):
if len(str_a) == 0 or len(str_b) == 0:
return 0
if str_a[0] == str_b[0]:
return recursive_lcs(str_a[1:], str_b[1:]) + 1
else:
return max([recursive_lcs(str_a[1:], str_b), recursive_lcs(str_a, str_b[1:])])
print recursive_lcs(str_a, str_b)
2.2 基于自底向上动态规划的方法
根据上述分析问题,动态规划递推公式也非常明显,可以写出动态规划代码:
def bottom_up_dp_lcs(str_a, str_b):
"""
longest common subsequence of str_a and str_b
"""
if len(str_a) == 0 or len(str_b) == 0:
return 0
dp = [[0 for _ in range(len(str_b) + 1)] for _ in range(len(str_a) + 1)]
for i in range(1, len(str_a) + 1):
for j in range(1, len(str_b) + 1):
if str_a[i-1] == str_b[j-1]:
dp[i][j] = dp[i-1][j-1] + 1
else:
dp[i][j] = max([dp[i-1][j], dp[i][j-1]])
print "length of LCS is :",dp[len(str_a)][len(str_b)]
# 输出最长公共子序列
i, j = len(str_a), len(str_b)
LCS = ""
while i > 0 and j > 0:
if str_a[i-1] == str_b[j-1] \ # 这里一定要比较a[i-1]和b[j-1]是否相等
and dp[i][j] == dp[i-1][j-1] + 1:
LCS = str_a[i - 1] + LCS
i, j = i-1, j-1
continue
if dp[i][j] == dp[i-1][j]:
i, j = i-1, j
continue
if dp[i][j] == dp[i][j-1]:
i, j = i, j-1
continue
print "LCS is :", LCS
bottom_up_dp_lcs(str_a, str_b)
2.3 降低空间复杂度的动态规划算法
根据上述问题分析以及2.2中的dp矩阵可以看出,其实每一步的求解,只和三个元素有关:左边的元素,上边的元素,左上角的元素。因此我们可以进行空间优化,用一维数组代替二维矩阵。
def space_efficient_lcs(str_a, str_b):
"""
longest common subsequence of str_a and str_b, with O(n) space complexity
"""
if len(str_a) == 0 or len(str_b) == 0:
return 0
dp = [0 for _ in range(len(str_b) + 1)]
for i in range(1, len(str_a) + 1):
left_up = 0
dp[0] = 0
for j in range(1, len(str_b) + 1):
left = dp[j-1]
up = dp[j]
if str_a[i-1] == str_b[j-1]:
dp[j] = left_up + 1
else:
dp[j] = max([left, up])
left_up = up
print dp[len(str_b)]
space_efficient_lcs(str_a, str_b)
3. 如何求解最长公共子串?
最长公共子串比最长公共子序列的递推公式要简单一些。
dp[i][j]的含义也发生了变化:
在最长公共子序列中,dp[i][j]表示str_a[1:i]和str_b[1:j]的最长公共子序列,是从str_a的1和str_b的1开始计算的,即整个字符串的起始位置。
在最长公共子串中,dp[i][j]表示str_a[i':i]和str_b[j':j]的最长公共子串,因为str_a和str_b可能存在多个公共子串,所以i'和j'分别表示当前公共子串的起始位置。
也就是说:
当str_a[i] == str_b[j]时,dp[i][j] = dp[i-1][j-1]+ 1;
当str_a[i] != str_b[j]时,dp[i][j] = 0,即开始计算新的公共子串。
和最长公共子序列不同的是,在最长公共子串问题中,dp[m][n]不一定是最终结果,比如“abcdxy”和“abcfxy”,dp[m][n]存储的是公共子串“xy”的长度,而不是公共子串“abc”的长度,所以需要一个变量单独记录最长子串的长度。
3.1 动态规划算法
def bottom_up_dp_lcs(str_a, str_b):
"""
longest common substring of str_a and str_b
"""
if len(str_a) == 0 or len(str_b) == 0:
return 0
dp = [[0 for _ in range(len(str_b) + 1)] for _ in range(len(str_a) + 1)]
max_len = 0
lcs_str = ""
for i in range(1, len(str_a) + 1):
for j in range(1, len(str_b) + 1):
if str_a[i-1] == str_b[j-1]:
dp[i][j] = dp[i-1][j-1] + 1
max_len = max([max_len, dp[i][j]])
if max_len == dp[i][j]:
lcs_str = str_a[i-max_len:i]
else:
dp[i][j] = 0
print "length of LCS is :",max_len
print "LCS :",lcs_str
bottom_up_dp_lcs(str_a, str_b)
3.2 优化空间复杂度的动态规划算法
def space_efficient_lcs(str_a, str_b):
"""
longest common substring of str_a and str_b, with O(n) space complexity
"""
if len(str_a) == 0 or len(str_b) == 0:
return 0
max_len = 0
dp = [0 for _ in range(len(str_b) + 1)]
for i in range(1, len(str_a) + 1):
left_up = 0
for j in range(1, len(str_b) + 1):
up = dp[j]
if str_a[i-1] == str_b[j-1]:
dp[j] = left_up + 1
max_len = max([max_len, dp[j]])
else:
dp[j] = 0
left_up = up
print max_len
space_efficient_lcs(str_a, str_b)