有限自动机
一个有限自动机M是一个五元组(Q,q0,A,Σ,δ),其中:
Q是状态的集合,
q0∈Q是初始状态,
A是Q的字集,是一个接受状态集合,
Σ是一个有限的输入字母表,
δ是一个从Q×Σ到Q的函数,叫做转移函数。
下面定义几个相关函数:
φ(w)是M在扫描字符串w后终止时的状态。函数φ有下列递归关系定义:φ(ε) = q0,φ(wa) = δ(φ(w),a),
σ(x)是x的后缀中,关于P的最长前缀的长度。
字符串匹配自动机
来回顾一下朴素算法。给定下面两个字符串,模式串P,和匹配串T。
i 0 1 2 3 4 5 6 7 8 9 10
P a b a b a c a
T a b a b a b a c a b a
当第一次匹配时,i=0,但是扫描到i=5的时候,字符串不在匹配。此时另i=1,重新匹配。这就是朴素算法需要改进的地方。当i=5的时候,观察表格发现P[0...3]=T[2...5],此时如果能够匹配T[5+1]和P[3+1]就不需要从i=2开始扫描了,效率就大大的提升了,这样匹配的时间复杂度就只有O(n)了。这里P[0...3]叫做P的前缀,T[2...5]叫做T5的后缀。此时σ(T5) = 3。这样在自动机的操作中,如果每次状态转移都能够保证:
φ(Ti)=σ(Ti)
那么就可以保证最终的正确匹配。下面来做简单的推理:
根据φ(x)的定义,有φ(Tia) = δ(φ(Ti),a),其中a为任意字母;
由φ(Ti)=σ(Ti),可以得到φ(Tia)=σ(Tia) = q,即φ(Tia)=σ(Pqa);
综上,δ(φ(Ti),a)=σ(Pqa),,可以得到一个状态转移函数δ(q,a)=σ(Pqa)。这样就可以做出一个正确的状态转移图,然后就可以匹配字符串了。
用文字来描述一下:在自动机中,状态q就是Ti的后缀在P的最长前缀的长度。这样每次能够满足这个条件,就能够保证算法的正确进行。这里,在《算法导论》中有详细的数学证明。
KMP算法
KMP算法不建立一个有限自动机,但是必须要构建一个前缀函数,这里就叫做前缀数组吧。模式P和自己先匹配,得到前缀数组。前缀数组其实保存的就是自动机中的σ(x)的值。这样预处理的时间复杂度和自动机比就减少了很多。
预处理
给定模式P:
i 0 1 2 3 4 5 6 7 8 9
P a b a b a b a b c a
next 0 0 1 2 3 4 5 6 0 1
这里Pi[next[i]]表示的是Pi的关于P的最长后缀,P[i]表示P关于Pi的前缀。
当i=0时:
P0和P比较,P0[0] != P[0],所以next[0]=0;
当i=1时:
P1和P比较,P1[0] != P[1],所以next[1]=0;
当i=2时:
P2和P比较,P2[0] = P[2],所以next[2]=1;
当i=3时:
P3和P比较,P3[1] = P[3],所以next[3] = 2;
如此这般,就可以求得next数组了。一般算法描述数组都是从1开始,但是写代码的时候,数组是从下标0开始的,所以上面的next数组的每一个值都应该减一。next[i]=-1表示没有前缀匹配。这样在写代码的时候,应该是这样的:
i 0 1 2 3 4 5 6 7 8 9
P a b a b a b a b c a
next -1 -1 0 1 2 3 4 5 -1 0
当i=0时,初始化next[0] = -1;
当i=1时,(P1[next[0]+1] = a) != (P[1] = b),next[1] = -1;
当i=2时,(P2[next[1]+1] = a) != (P[2] = a),next[2] = 0;
当i=3时,(P3[next[2]+1] = b) !=(P[3] = b),next[3] = 1;
...
这样就不难发现next数组的作用了,记录了当前的σ(Pi)。Pi[next[i]+1] = P[i],就表示Pi最长前缀加一个字母和P的后缀加一个字母是否匹配。此时有两种情况:
Pi[next[i]+1] = P[i],这个时候σ(Pi+1) = σ(Pi) + 1,继续
Pi[next[i]+1] != P[i],这个时候没有直接从Pi[0]是不是等于P[i]扫描,而是从Pi[next[next[i]]+1]开始扫描。因为目前一定可以保证Pi[next[next[i]]是P的一个前缀。
下面是C代码的实现的求next数组:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
void get_next(char *P, int next[],int len)
{
printf("len=%d\n",len);
next[0] = -1;
int q = -1;
int i;
for(i = 1; i < len; i++) {
while(q > 0 && P[q+1] != P[i]) { /* 判断P[q+1]适合等于P[i] */
q = next[q]; /* 如果不相等, 一直找到满足条件的最长后缀 */
}
if(P[q+1] == P[i]) q++; /* 如果相等,那么很好,继续... */
next[i] = q;
}
}
匹配
当求出next数组后,就可以进行字符串匹配了。匹配的方法和求next的方法相识。下面是完整的代码:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
/*************************************************************************
> File Name: KMP.c
> Author: mr_zys
> Mail: 247629929@163.com
> Created Time: 2014年10月09日 星期四 14时48分30秒
************************************************************************/
#include<stdio.h>
#include<string.h>
#define maxn 100
int next[maxn];
char P[maxn],T[maxn];
void get_next(char *P, int next[],int len)
{
printf("len=%d\n",len);
next[0] = -1;
int q = -1;
int i;
for(i = 1; i < len; i++) {
while(q > 0 && P[q+1] != P[i]) { /* 判断P[q+1]适合等于P[i] */
q = next[q]; /* 如果不相等, 一直找到满足条件的最长后缀 */
}
if(P[q+1] == P[i]) q++; /* 如果相等,那么很好,继续... */
next[i] = q;
}
}
void KMP(char *P, char *T)
{
int len_P = strlen(P);
int len_T = strlen(T);
int j = -1;
int i;
for(i = 0; i < len_T; i++) {
while(j > -1 && T[i] != P[j+1]) {
j = next[j];
}
if(P[j+1] == T[i]) {
j++;
//printf("%d %d\n",j,i);
}
if(j == len_P-1){
printf("在%d处开始匹配\n",i-len_P+1);
j = next[j];
}
}
}
int main()
{
printf("input the string P:\n");
scanf("%s",P);
printf("input the string T:\n");
scanf("%s",T);
printf("%s\n",P);
get_next(P,next,strlen(P));
int i;
for(i = 0; i < strlen(P); i++) {
printf("(%d)",next[i]);
}
printf("\n");
KMP(P,T);
return 0;
}
可能,中间有些表述不清,求指正哈!