SA-IS学习笔记

后缀数组SA-IS

$SA-IS$排序是基于诱导排序这种思想，将问题规模缩小，解决更小的问题，快速解决原问题的算法。

---

首先给出一些定义：

一 可能用到的

用大写字母表示字符串，小写字母表示字符或位置。
字符串最后用#表示。
在字符串$A$中，$suffix(A,i)$表示长度为i的后缀。

二 后缀类型

在字符串$A$中，对于每一个后缀，我们赋一个类型。
若$suffix(A,i)$为$S$型后缀表示$suffix(A,i)<suffix(A,i+1)$
若$suffix(A,i)$为$L$型后缀表示$suffix(A,i)>suffix(A,i+1)$
我们默认最后一个字符为$S$型
后用t表示后缀类型数组。

三 LMS子串

我们定义*型为$S$型，且它的左边为$L$型，即它是一连串$S$型的开头。
如上面的后缀类型比如以字符串$aabbacc$为例：

—	0	1	2	3	4	5	6	7
S	a	a	b	b	a	c	c	#
t	S	S	L	L	S	L	L	S
—					*			*

$\ast$型后缀如图所示。
则LMS子串表示两个*之间的子串
图上子串依次为：“aabba”,“acc#”,"#"。
利用所有的$\ast$型后缀，我们得出一个新串$A1$
对于新串$A1$，$SA1$是它们之间的相对顺序。

—	0	1	2	3	4	5	6	7
S	a	a	b	b	a	c	c	#
t	S	S	L	L	S	L	L	S
—					*			*
A1	—	—	—	—	1	—	—	0

如图所示。

---

接下来给出一些引理：

引理一：

我们要考虑如何快速构造t数组。
首先有一些性质：
对于一个字符串$A$一个后缀是类型为$S$，当且仅当下面两项满足：
1.$A[i]<A[i+1]$
2.$A[i]=A[i+1]$且$t[i+1]$为$S$型
同理，对于$L$型：
1.$A[i]>A[i+1]$
2.$A[i]=A[i+1]$且$t[i+1]$为$L$型
易证。

引理二：

若后缀$A$为$S$型，$B$为$L$型，当$A[0]=B[0]$，则$A>B$
证明：
设$A=abX$,$B=acY$。
假设$b!=a$且$c!=a$
因为$A$为$S$型，得：$a<b$
同理：$a>c$
则$b>c$，所以$A>B$
当$b=a$或者$a=c$时，也可以根据引理一，推成第一种情况。

引理三：

对于非"#"得$LMS$子串长度大于2。
证明：两个$LMS$串中间必定含有一个$L$型后缀。

引理四：

一个字符串$A$中的$LMS$子串数量不超过$|A|/2$。
证明：根据引理四，易证。

引理五：

对于一个后缀数组$SA$，对于一个相同字母开头的所有字符串中必定先排列$L$型，再排列$S$型。
证明：根据引理二可得。

---

一些过程：

一 诱导排序通过SA1得到SA

我们如果得出$SA1$，便可以利用引理五和诱导排序得出$SA$，具体过程如下：

1. 将$SA$数组初始化为每个元素都为$-1$的数组。
2. 确定每个桶$S$型桶的起始位置。在$SA1$数组中从左往右扫一遍，按照相对顺序放进对应的桶里。
3. 确定每个桶的$L$型后缀相对顺序，在$SA$中从左往右扫，若$SA[i]>0$，且$t[SA[i]-1]=L$，则将$SA[i]-1$塞进对应的桶里。
4. 确定每个桶的S型后缀相对顺序，在$SA$中从右往左扫，若$SA[i]>0$，且$t[SA[i]-1]=S$，则将$SA[i]-1$塞进对应的桶里。

注意：这里的桶是合起来形成一个大桶的，即$SA$，类似于基数排序的思想，提前算好每个桶的大小，故不会互相影响。
对应的桶指的是按首字母的编号形成的桶。
因为我们要确定L型后缀的起始位置，所以$S$型桶是倒着放置的。

二 如何得到SA1

我们如果先对$LMS$字串进行排序。
就可以得到每个$LMS$子串的新序号。
若每个字符都不一样，则可直接得到$SA1$，
否则递归求$SA1$。

二 对LMS子串进行排序

我们仍然是使用诱导排序，但是要将第二步改为：
确定每个桶$S$型桶的起始位置。将$LMS$首字母按任意顺序放进对应的桶里。
这里我们引入一个概念$LMS$的前缀函数。
在字符串$A$中，如$pre(A,i)$，若$t[i]=S,t[i-1]=T$，则$pre(A,i)=A[i]$
即它的$LMS$前缀就是自己，否则是从$S[i]$开始到下一个$\ast$型形成的字符串。
为什么按照随意顺序放可以使所有的前缀函数排序成功？
证明：

1. 对于第二步，由于放入的$LMS$前缀都只有一个字符，因为桶的排列是按照字典序的，所以保证放置后一定有序。
2. 对于第三步，当放入第一个$L$型$LMS$前缀时，$SA$数组必定是有序的（根据引理二）。假设我们已经放置了$k$个$L$型$LMS$前缀，且它们在$SA$数组中保持有序，现在考虑放入的第$k+1$个$LMS$前缀是否会保证有序。我们设这个$LMS$前缀为$pre(S,i)$，因为首字母不同的$LMS$前缀一定是保持有序的，因此我们只需要考虑它与其首字母相同的$LMS$前缀之间的关系。假设我们存在一个这样的$LMS$前缀，使得$pre(S,j)>pre(S,i)$，由于$pre(S,j)[0]=pre(S,i)[0]$，所以我们得知$pre(S,j+1)>pre(S,i+1)$。而$pre(S,j+1)$与$pre(S,i+1)$都是之前所加入过的，因此它们之间应当保持有序。而$pre(S,j)>pre(S,i)$告诉我们之前的$SA$数组不是有序的，与假设相反，故不存在这样的$pre(S,j)$。因此，当$pre(S,i)$放置后，，对于所有之前放置的且首字母与其相同的$LMS$前缀$pre(S,j)$，应该都有$pre(S,j)<pre(S,i)$，$SA$数组保持有序。
3. 对于第四步的正确性的证明，与第三步的证明是类似的。读者可以自行推理一下。

---

时间复杂度

根据引理四可知，每次递归都会将长度缩小一半。
时间复杂度为：O(n)。

主要参考：https://riteme.github.io/blog/2016-6-19/sais.html#fn:star-in-S