kmp算法拆解

kmp算法拆解

一、简介

KMP算法是一种高效的字符串匹配算法，由D.E. Knuth、J.H. Morris和V.R. Pratt共同提出。

二、KMP算法

1.基本概念

子串：子串是由一个字符串（也称为父串或主串）中任意个连续字符组成的子序列。

子序列：子序列是从原始序列中抽取一部分元素构成的新序列，这些元素的相对顺序保持不变，但不需要连续

二者关系示意图：

2.朴素匹配算法

案例：

2.1朴素匹配概念

前提：主串长度为n、模式串长度为m

**概念：**将主串中所有长度为m的子串与模式串对比，直到找到一个完全匹配的字串，或者所有子串都不匹配

2.2朴素匹配原理

2.2.1key1：在朴素算法中最多对比几个子串？

答案：n-m+1

最多->最坏的情况 ：

• 即匹配每次匹配到模式串的最后一个失败

• 匹配到最后一个子串

S：aaac          aaac          aaac

T：ab                ab               ab

设初始指针都是1

显然找到最后一个子串的位置，即最多对比的子串数即可求

1. 观察法：n-m+1

2. 我们知道每次匹配失败模式串指针就会回溯至1，最差情况回溯至1，回溯坐标为m-(m-1)

父串也需要同样的回溯长度   m-1，回溯到n-（m-1）=n-m+1

key1结论：最多对比n-m+1个子串

2.2.2key2：通过key1，我们知道了模式串匹配失败的指针操作j=1，那么父串指针i呢？

• 子串回溯最差j = 1

• 父串回溯最差i = n-m+1  即匹配到最后一个子串

• 如果是中间的子串呢？很简单 把i = n-m+1中的n和m换成指针位置即可i=i-j+1

• 父串匹配失败需回溯再移动至下一位 即i = （i-j+1）+1 = i-j+2

key2结论：父串指针i需移动至i-j+2

2.2.3key3：代码实现

2.2.4key4：上述算法以及对应代码时间复杂度是多少？

结论：O（nm）

原因：按照最坏的情况，n-m+1个子串，每个子串匹配m次，

共匹配次数是：m（n-m+1）=mn-m²+m

实际情况中，父串长度n远大于模式串m，所以复杂度为nm，而不是m

3.kmp算法

3.1情景举例：

父串：googllgoogle

子串：google

3.1.1key5：此时我们如果按照朴素匹配，会怎么样？

父串：指针回溯i-j+1=1，向前移动

子串：指针回溯1

变成如下

父串：googllgoogle

子串：  google

很显然不对，如上，会进行无效回溯。

我们需要做的是，以上述为例，第6个元素发生匹配失败，则直接

父串：googllgoogle

子串：         google

key5结论：在绝大多数情况，朴素匹配会无意义指针回溯，所以需要优化。

思考：在日常生活中，我们会对例子中的匹配失败进行这么多遍的回溯吗？

3.2kmp算法

3.2.1key6：kmp算法思路引入

在3.1的例子中，模式串的第6位发生了不匹配，3.2的例子是在第5位发生了匹配，这里该如何做呢？和3.1中一样吗

正确做法：

结合3.1中 j=6发生不匹配，则让j指针回到1

依次类推：当j=1、2、3。。。时发生不匹配，j的回溯分别是？

对于j的回溯，我们可以给出一个next数组，放入数据，在第k个字符不匹配时候，通过数组拿取指针的回调

key6结论：kmp的算法意在取消i无意义的回溯，并且给j指针的回溯指定了位置形成一个数组

next[模式串匹配失败位置]=j回溯的地方

3.3kmp算法核心之模式串指针回溯数组next

3.3.1key7：如何求next数组？

以google举例，在k处发生匹配失败，则把1~k-1看成一个串S

S串的前缀：包含第一个字符且不包含最后一个字符的子串

S串的后缀：包含最后一个字符且不包含第一个字符的子串

next[j]=最长相等前后缀长度+1

第1个字符发生匹配失败：j=0

第2个字符发生匹配失败：j=1

这两个是固定的

第3个字符发生匹配失败 前缀 g 后缀o 最长相等为0 所以 next[3]=0+1 =1

。。。

第5个字符发生匹配失败 前缀g 后缀g 最长相等为1 所以next[5]=1+1=2

key7结论：通过发生匹配失败的位置，并在这个位置之前的串中找最长相等的前后缀长度并+1，填充数组

3.3.2next和kmp代码实现

比较kmp算法和朴素匹配，发现两个不同点：

1. i指针不需要回溯

2. j指针的回溯遵循了next数组

KMP算法性能分析

短一点的模式串我们可以手算，但是实际应用肯定不会这么短，参考百度搜索，所以需要代码实现

在kmp算法中，有一个关键点，不管是在kmp还是在kmp求next数组中，总有一个指针不回溯，这就是优化的地方

时间复杂度为O（n+m）

3.4kmp针对next数组再优化

3.4.1key8：为什么需要再优化

aba**?**

ababa

根据3.3的内容，可知ababa的next数组是01123

示例中，在模式串的第4个发生匹配错误，按照常规kmp的next数组应该回溯到第2个，但是很显然，第2个也是b

无效匹配出现

结论：next数组回溯的坐标对应元素和匹配失败发生位置的元素相同，需要解决该无效匹配

3.4.2key9如何优化next数组:nextval数组

aba**?**    aba**?**       aba**?**

ababa      ababa      a****b…

上述流程中，如果按照之前的next数组会进行如上图的无效匹配，如何有效（如黄色底色示）

创建一个基于next数组的nextval数组

改进关键点：如果我们按照next回溯，在下标3处 a 发生错误，会跳到S[next[3]]=a，又跟a比，浪费，需要优化

就是有点绕，但是不难：

1. 目标：防止回溯的模式串的值和发生匹配错的模式串值一样

2. 对模式串遍历，目的就是防止T[next[i]]==T[i]

3. 针对T[next[i]]==T[i]，创建一个新数组nextval[i]=nextval[next[i]]

4. 如果没有T[next[i]]==T[i]，就还是正常复刻 nextval[i] = next[i]

3.4.3nextval改进代码实现