算法导论 — 思考题15-5 编辑距离

（编辑距离）为了将一个文本串$x[1..m]$转换为目标串$y[1..n]$，我们可以使用多种变换操作。我们的目标是，给定$x$和$y$，求将$x$转换为$y$的一个变换操作序列。我们使用一个数组$z$保存中间结果，假定它足够大，可存下中间结果的所有字符。初始时，$z$是空的；结束时，应有$z[j]=y[j]，j=1,2,\dots ,n$。我们维护两个下标$i$和$j$，分别指向$x$和$y$中的位置，变换操作允许改变$z$的内容和这两个下标。初始时，$i=j=1$。在转换过程中应处理$x$的所有字符，这意味着在变换操作结束时，应当有$i=m+1$。
　　我们可以使用如下6种变换操作：
　　复制(copy) — 从$x$复制当前字符到$z$，即进行赋值$z[j]=x[i]$，并将两个下标$i$和$j$都增1。此操作处理了$x[i]$。
　　替换(replace) — 将$x$的当前字符$x[i]$替换为另一个字符$c$，然后进行赋值$z[j]=c$，并将两个下标$i$和$j$都增1。此操作处理了$x[i]$。
　　删除(delete) — 删除$x$中的当前字符$x[i]$，即将$i$增1，$j$不变。此操作处理了$x[i]$。
　　插入(insert) — 将字符$c$插入$z$中，$z[j]=c$，将$j$增1，$i$不变。此操作未处理$x$中的字符。
　　旋转(twiddle，即交换) — 将$x$中的当前字符和下一个字符复制到$z$中，但交换顺序，$z[j]=x[i+1]$且$z[j+1]=x[i]$，将$i$和$j$都增2。此操作处理了$x[i]$和$x[i+1]$。
　　终止(kill) — 删除$x$中的剩余字符，令$i=m+1$。此操作处理了$x$中所有尚未处理的字符。如果执行此操作，则转换过程结束。
　　下面给出了将源字符串algorithm转换为目标字符串altruistic的一种变换操作序列，下划线指出执行一个变换操作后两个下标i和j的位置：
　　
　　注意，还有其他方法将algorithm转换为altruistic。
　　每个变换操作都有相应的代价。具体的代价依赖于特定的应用，但我们假定每个操作的代价是一个已知的常量。我们还假定复制和替换的代价小于删除和插入的组合代价，否则复制和替换操作就没有意义了。一个给定的变换操作序列的代价为其中所有变换操作的代价之和。在上例中，将algorithm转换为altruistic的代价为
　　$3•cost(copy)+cost(replace)+cost(delete)+4•cost(insert)+cost(twiddle)+cost(kill)$
　　a. 给定两个字符串$x[1..m]$和$y[1..n]$以及变换操作的代价，$x$和$y$的编辑距离(edit distance)是将$x$转换为$y$的最小代价的变换操作序列的代价值。设计动态规划算法，求$x[1..m]$到$y[1..n]$的编辑距离，并打印最优变换操作序列。分析算法的时间和空间复杂度。
　　编辑距离问题是DNA序列对齐问题的推广。已有多种方法可以通过对齐两个DNA序列来衡量它们的相似度。有一种对齐方法是将空格符插入到两个序列$x$和$y$中，可以插入到任何位置（包括两端），使得结果序列$x’$和$y’$具有相同的长度，但不会在相同的位置出现空格符（即不存在$j$，使得$x’[j]$和$y’[j]$都是空格符）。然后为每个位置“打分”，位置j的分数为：
　　• $+1$，如果$x’[j]=y’[j]$且不是空格符
　　• $-1$，如果$x’[j]̸=y’[j]$且都不是空格符
　　• $-2$，如果$x’[j]$或$y’[j]$是空格符
　　对齐方案的分数为每个位置的分数之和。例如，给定序列$x$ = GATCGGCAT和$y$ = CAATGTGAATC，一种对齐方案为
　　
　　+表示该位置分数为+1，-表示分数为-1，*表示分数为-2，因此此方案的总分数为6•1 - 2•1 - 4•2 = -4。
　　b. 解释如何将最优对齐问题转换为编辑距离问题，使用的操作为变换操作复制、替换、删除、插入、旋转和终止的子集。
　　
　　解
　　a.
　　假设将$x[1..i](0\le i\le m)$转换为$y[1..j](0\le j\le n)$的最优代价为$c[i,j]$。注意，$x[1..0]$和$y[1..0]$表示的是空字符串。
　　1. 如果$i>0$并且$j>0$
　　考虑$x[1..i]\to y[1..j]$的转换过程的最后一步操作，有6种可能的选择。注意，有的操作只能在满足条件的情况下才能执行。
　　1) copy
　　　　　　　　
　　2) replace
　　我们有必要假设replace的代价大于copy的代价，否则完全可以用replace代替copy，而copy根本不会被用到。
　　　　　　　　
　　3) delete
　　　　　　　　
　　4) insert
　　　　　　　　
　　5) twiddle
　　　　　　　　
　　6) kill
　　kill只能为最后一步操作，因此必然有$i=m$和$j=n$；并且kill操作前的转换为$x[1..k]\to y[1..n]$，其中$0\le k<m$。注意，如果执行kill操作，需要记录源字符串$x$此时已处理的字符个数。
　　　　　　　　
　　分别计算以上6种情况的处理代价，选取其中最小者作为最优代价，即
　　　　　　　　
　　2. 如果$i=0$或者$j=0$
　　1) $i=0$，即$x[1..0]\to y[1..j]$
　　由于$x[1..0]$为空，故只能进行$j$步insert，才能得到$y[1..j]$。
　　　　　　　　
　　2) $j=0$，即$x[1..i]\to y[1..0]$
　　由于$y[1..0]$为空，如果$i<m$或者$n>0$，只能进行$i$步delete操作；如果$i=m$并且$n=0$，可以通过kill操作一步到位，也可以进行$m$步delete操作，取二者中cost较小者。
　　　　　　　　
　　可以用一个数组$op[i,j]$来记录$x[1..i]\to y[1..j]$的最后一步操作。
　　
　　不难得出，该算法的时间复杂度和空间复杂度都为$O(mn)$。
　　
　　b.
　　DNA对齐问题可通过下面的方法转换成编辑距离问题：
　　1) $x’[j]=y’[j]$ $\leftrightarrow$ 相当于copy操作，对应的分数为$score(copy)=+1$
　　2) $x’[j]̸=y’[j]$且都不是空格 $\leftrightarrow$ 相当于replace操作，对应的分数为$score(replace)=-1$
　　3) $y’[j]=$ 空格 $\leftrightarrow$ 相当于delete操作，对应的分数为$score(delete)=-2$
　　4) $x’[j]=$ 空格 $\leftrightarrow$ 相当于insert操作，对应的分数为$score(insert)=-2$
　　twiddle和kill操作不能使用。注意，编辑距离问题是求解最小化代价，而DNA匹配问题是求解最大化分数。
　　
　　本节相关的code链接。
　　https://github.com/yangtzhou2012/Introduction_to_Algorithms_3rd/tree/master/Chapter15/Problems/Problem_15-5