题:给定两个字符串X,Y,求二者最长的公共子串,例如X=[aaaba],Y=[abaa]。二者的最长公共子串为[aba],长度为3。
本节给出三种不同的实现方式,并对比分析每种方法的复杂度,内容如下:
==基本算法==
==DP方案==
==后缀数组==
==各方法复杂度分析==
==================================
基本算法
其实对于最长公共子串,还是比较简单易想的,因为子串是连续的,这就方便了很多。最直接的方法就是用X每个子串与Y的每个子串做对比,求出最长的公共子串。代码如下:
/* 最长公共子串 Longest Common Substring */
int maxlen; /* 记录最大公共子串长度 */
int maxindex; /* 记录最大公共子串在串1的起始位置 */
void outputLCS(char * X); /* 输出LCS */
/* 最长公共子串 基本算法 */
int comlen(char * p, char * q)
{
int len = 0;
while(*p && *q && *p++ == *q++)
{
++len;
}
return len;
}
void LCS_base(char * X, int xlen, char * Y, int ylen)
{
for(int i = 0; i < xlen; ++i)
{
for(int j = 0; j < ylen; ++j) //两个for循环就是对x的每个子串与y的每个子串比较
{
int len = comlen(&X[i],&Y[j]);
if(len > maxlen)
{
maxlen = len;
maxindex = i;
}
}
}
outputLCS(X);
}
==================================
DP方案
既然最长公共子串是最长公共子序列的变体,那么最长公共子串是不是也可以用动态规划来求解呢?
我们还是像之前一样“从后向前”考虑是否能分解这个问题,在最大子数组和中,我们也说过,对于数组问题,可以考虑“如何将arr[0,...i]的问题转为求解arr[0,...i-1]的问题”,类似最长公共子序列的分析,使用dp[i][j]表示X[0-i]与Y[0-j]的最长公共子串长度,因为要求子串连续,所以对于X[i]与Y[j]来讲,它们要么与之前的公共子串构成新的公共子串;要么就是不构成公共子串。故状态转移方程
- X[i] == Y[j],dp[i][j] = dp[i-1][j-1] + 1
- X[i] != Y[j],dp[i][j] = 0
对于初始化,i==0或者j==0,如果X[i] == Y[j],dp[i][j] = 1;否则dp[i][j] = 0。
代码如下:
/* 最长公共子串 DP */
int dp[30][30];
void LCS_dp(char * X, int xlen, char * Y, int ylen)
{
maxlen = maxindex = 0;
for(int i = 0; i < xlen; ++i)
{
for(int j = 0; j < ylen; ++j)
{
if(X[i] == Y[j])
{
if(i && j)
{
dp[i][j] = dp[i-1][j-1] + 1;
}
if(i == 0 || j == 0)
{
dp[i][j] = 1;
}
if(dp[i][j] > maxlen)
{
maxlen = dp[i][j];
maxindex = i + 1 - maxlen;
}
}
}
}
outputLCS(X);
}
==================================
后缀数组
前面提过后缀数组的基本定义,与子串有关,可以尝试这方面思路。由于后缀数组最典型的是寻找一个字符串的最长重复子串,所以,对于两个字符串,我们可以将其连接到一起,如果某一个子串s是它们的公共子串,则s一定会在连接后字符串后缀数组中出现两次,这样就将最长公共子串转成最长重复子串的问题了,这里的后缀数组我们使用基本的实现方式。
值得一提的是,在找到两个重复子串时,不一定就是X与Y的公共子串,也可能是X或Y的自身重复子串,故在连接时候我们在X后面插入一个特殊字符‘#’,即连接后为X#Y。这样一来,只有找到的两个重复子串恰好有一个在#的前面,这两个重复子串才是X与Y的公共子串。
/* 最长公共子串 后缀数组 */
char * suff[100];
int pstrcmp(const void *p, const void *q)
{
return strcmp(*(char**)p,*(char**)q);
}
int comlen_suff(char * p, char * q)
{
int len = 0;
while(*p && *q && *p++ == *q++)
{
++len;
if(*p == '#' || *q == '#')
{
break;
}
}
int count = 0;
while(*p)
{
if(*p++ == '#')
{
++count;
break;
}
}
while(*q)
{
if(*q++ == '#')
{
++count;
break;
}
}
if(count == 1)
return len;
return 0;
}
void LCS_suffix(char * X, int xlen, char * Y, int ylen)
{
int suf_index = maxlen = maxindex = 0;
int len_suff = xlen + ylen + 1;
char * arr = new char [len_suff + 1]; /* 将X和Y连接到一起 */
strcpy(arr,X);
arr[xlen] = '#';
strcpy(arr + xlen + 1, Y);
for(int i = 0; i < len_suff; ++i) /* 初始化后缀数组 */
{
suff[i] = & arr[i];
}
qsort(suff, len_suff, sizeof(char *), pstrcmp); //后缀数组进行排序
for(int i = 0; i < len_suff-1; ++i)
{
int len = comlen_suff(suff[i],suff[i+1]);
if(len > maxlen)
{
maxlen = len;
suf_index = i;
}
}
outputLCS(suff[suf_index]);
}
各方案复杂度对比
设字符串X的长度为m,Y的长度为n,最长公共子串长度为l。
对于基本算法,X的子串(m个)和Y的子串(n个)一一对比,最坏情况下,复杂度为O(m*n*l),空间复杂度为O(1)。
对于DP算法,由于自底向上构建最优子问题的解,时间复杂度为O(m*n);空间复杂度为O(m*n),当然这里是可以使用滚动数组来优化空间的,滚动数组在动态规划基础回顾中多次提到。
对于后缀数组方法,连接到一起并初始化后缀数组的时间复杂度为O(m+n),对后缀数组的字符串排序,由于后缀数组有m+n个后缀子串,子串间比较,故复杂度为O((m+n)*l*lg(m+n)),求得最长子串遍历后缀数组,复杂度为O(m+n),所以总的时间复杂度为O((m+n)*l*lg(m+n)),空间复杂度为O(m+n)。
总的来说使用后缀数组对数据做一些“预处理”,在效率上还是能提升不少的。