KMP Algorithm 字串匹配演算法KMP小結

Grandyang發表於2017-06-12
KMPGo字串匹配演算法

 

這篇小結主要是參考這篇帖子從頭到尾徹底理解KMP，不得不佩服原作者，寫的真是太詳盡了，讓博主產生了一種讀學術論文的錯覺。後來發現原作者是寫書的，不由得更加敬佩了。博主不才，嘗試著簡化一些原帖子的內容，希望能更通俗易懂一些。博主的帖子一貫秉持通俗易懂的風格，使得非CS專業的人士也能讀懂，至少博主自己是這麼認為的-.-|||

KMP演算法，全稱Knuth-Morris-Pratt演算法，根據三個作者Donald Knuth、Vaughan Pratt、James H. Morris的姓氏的首字母拼接而成的。是一種字串匹配的演算法，用於在一個文字串S中查詢模式串P的位置。在講解KMP演算法之前，我們先來看暴力破解法是如何運作的，假如我們有一個文字串S和一個模式串P如下：

文字串: BBC_ABCDAB_ABCDABCDABDE

模式串: ABCDABD

那麼我們首先來找模式串的第一個字母A在文字串出現的位置：

BBC_ABCDAB_ABCDABCDABDE
    ABCDABD

找到後，再來一一比較後面的字母，比較到模式串的D的位置，發現不匹配:

BBC_ABCDAB_ABCDABCDABDE
    ABCDABD

暴力破解的下一步是將模式串後移一步，繼續來匹配開頭的A

BBC_ABCDAB_ABCDABCDABDE
     ABCDABD

直到找到下一個A，然後開始往後一一比較:

BBC_ABCDAB_ABCDABCDABDE
        ABCDABD

後面的步驟就不一一列舉了，都是按這種方法來查詢的，這種演算法十分的不高效，時間複雜度是O(m*n)，其中m和n分別是文字串和模式串的長度。當m和n都很大的時候，運算速度就會很慢，那麼此時就有請KMP演算法閃亮登場！！

我們再回到暴力破解方法中的一一比較後面的字母那一步，比較到模式串的D的位置，發現不匹配:

BBC_ABCDAB_ABCDABCDABDE
    ABCDABD

此時KMP演算法並不是將模式串向右移動一位，而是向後移動四位，直接到這一步：

BBC_ABCDAB_ABCDABCDABDE
        ABCDABD

這樣文字串的遍歷位置並不會移回去，而是'_'直接跟'C'匹配，是不是很神奇，它怎麼知道要跟模式串上的哪個字元相比呢，實際上是從next陣列中查的值，再講解next陣列之前，我們先來講一下最大字首字尾公共元素。

所謂最大字首字尾公共元素，就是模式串中最大且相等的字首和字尾，比如aba，有長度為1的相同字首字尾a，再比如，字串acdac有長度為2的相同字首字尾ac，那麼我們可以寫出ABCDABD的每一位上的字首字尾長度：

A   B   C   D   A   B   D
0   0   0   0   1   2   0

由於模式串的尾部可能有重複的字元，所以我們可以得出一個重要的結論：失配時，模式串向右移動的距離 = 已匹配字元數 - 失配字元的上一位字元所對應的最大長度值

我們之前是在字元'D'處失配的，上一位字元是'B'，對應的最大長度是2，此時已經成功匹配了6個字元，那麼我們就將模式串向右移動6-2=4位，並繼續匹配即可。

BBC_ABCDAB_ABCDABCDABDE
        ABCDABD

此時我們發現'_'和'C'不匹配，那麼'C'的上一個字元'B'的最大長度為0，此時已經匹配了2個字元，所以模式串向右移動2-0=2位繼續匹配，得到：

BBC_ABCDAB_ABCDABCDABDE
          ABCDABD

此時發現'_'和'A'不匹配，'A'已經是第一個了，不需要查表了，此時將模式串向右移動一位：

BBC_ABCDAB_ABCDABCDABDE
           ABCDABD

發現此時模式串的首字母'A'匹配上了，然後就按順序一路往下匹配，直到最後一個'D'和'C'失配：

BBC_ABCDAB_ABCDABCDABDE
           ABCDABD

我們進行和之前相似的操作，上一位字元是'B'，對應的最大長度是2，此時已經成功匹配了6個字元，那麼我們就將模式串向右移動6-2=4位，並繼續匹配即可:

BBC_ABCDAB_ABCDABCDABDE
               ABCDABD

移動後發現模式串的首字母'A'匹配上了，然後就按順序一路往下匹配，最終完成模式串的匹配:

BBC_ABCDAB_ABCDABCDABDE
               ABCDABD

我們發現文字串中的遍歷位置始終沒有退後，一直都是在向前的，這樣使得其比暴力破解法節省了大量的時間，其時間複雜度為O(m+n)，簡直碉堡了。讀到這裡是不是有疑問，怎麼演算法都結束了，還沒next陣列什麼事呢，其實next陣列和這裡的最大字首字尾公共元素長度陣列是有關聯的，上面的方法在失配時，要找失配字元前一個字元的最大字首字尾公共元素長度值，那麼如果我們將最大字首字尾公共元素長度陣列整體右移一位，形成next陣列，如下所示：

A   B   C   D   A   B   D
0   0   0   0   1   2   0
-1  0   0   0   0   1   2

上面的中間那行是之前的最大字首字尾公共元素長度陣列，我們將其整體右移一位，多出的位置補上一個-1，就變成了下面的一行。那麼我們此時就直接找失配字元的next值就行了。於是我們就得到了新的結論：失配時，模式串向右移動的距離 = 失配字元所在位置 - 失配字元對應的next值。

讀到這裡是不是對KMP演算法的發明者佩服的五體投地，彆著急，還剩最後一部分，就是用程式碼來遞推計算next陣列。對於next的陣列的計算，可以採用遞推來算。根據上面的分析，我們知道如果模式串當前位置j之前有k個相同的字首字尾，那麼可以表示為next[j] = k，所以如果當模式串的p[j]跟文字串失配後，我們可以用next[j]處的字元繼續和文字串匹配，相當於模式串向右移動了j - next[j]位。那麼問題就來了，如何求出next[j+1]的值呢，我們還是來看例子吧：

模式串：    A  B  C  D  A  B  C  E
next值：   -1  0  0  0  0  1  2  ?  
索引：             k           j

如上所示，模式串為"ABCDABCE"，且j=6, k = 2，我們有next[j] = k，這表示j位置上的字元C之前的最大前字尾長度為2，即AB。現在我們要求next[j+1]的值，因為p[k] == p[j]，所以next[j+1] = next[j] + 1 = k + 1 = 3。即字母E之前的最大前字尾長度為3，即ABC。

那麼我們再來看p[k] != p[j]的情況下怎麼處理，還是來看例子：

模式串：    A  B  C  D  A  B  D  E
next值：   -1  0  0  0  0  1  2  ?  
索引：             k           j

這個例子把上面例子中的第二個'C'換成了'D'，所以字元'E'前面的相同字尾就不再是3了，所以我們希望在k前面找出個k'位置，使得p[k']為D，這樣next[j+1] = k' +1，但是這個例子中不存在這樣的'D'，所以next[j+1] = 0。我們看一個能在字首中找到'D'的例子：

模式串：    D  A  B  C  D  A  B  D  E
next值：   -1  0  0  0  0  1  2  3  ?  
索引：                k           j

這個例子上面例子的最前面加上了個'D'，此時j = 7, k = 3了，我們有next[j] = k，這表示j位置上的字元3之前的最大前字尾長度為3，即DAB。要求next[j+1]的值，我們發現此時p[k] != p[j]，然後我們讓k = next[k] = 0，此時p[0]是D，那麼next[j+1] = k + 1 = 1了，這說明字母E之前的最大前字尾長度為1，即D。綜上所述，我們可以寫出next的生成函式如下：

 

vector<int> getNext(string p) {
    int n = p.size(), k = -1, j = 0;
    vector<int> next(n, -1);
    while (j < n - 1) {
        if (k == -1 || p[j] == p[k]) {
            ++k; ++j;
            next[j] = k;
        } else {
            k = next[k];
        }
    }
    return next;
}

 

上面這種計算next陣列的方式可以進一步的優化，可以優化的原因是因為上面的方法存在一個小小的問題，如果用這種方法求模式串ABAB，會得到next陣列為[-1 0 0 1]，我們用這個模式串去匹配ABACABABC:

ABACABABC
ABAB

我們會發現C和B失配，那麼根據上面的規則，我們要向右移動j - next[j] = 3 - 1 = 2位，於是有：

ABACABABC
  ABAB

我們右移兩位後發現又是C和B失配了，而我們在上一步中，已知p[3] = B, s[3] = C，就已經失配了，讓p[next[3]] = p[1] = B再去和s[3]比較，肯定還是失配。原因是當p[j] != s[i]時，下一步要用p[next[j]]和s[i]去匹配，而如果p[j] == p[next[j]]了，再用p[next[j]]和s[i]去匹配必然會失配。所以我們要避免出現p[j] == p[next[j]]的情況，一旦出現了這種情況，我們可以再次遞迴，next[j] = next[next[j]]，修改後的程式碼如下：

 

vector<int> getNext(string p) {
    int n = p.size(), k = -1, j = 0;
    vector<int> next(n, -1);
    while (j < n - 1) {
        if (k == -1 || p[j] == p[k]) {
            ++k; ++j;
            next[j] = (p[j] != p[k]) ? k : next[k];
        } else {
            k = next[k];
        }
    }
    return next;
}

 

講到這裡，KMP演算法的內容就完全講完了，原帖子中還有兩個擴充套件方法，這裡就不講了，感覺能把上述內容吃透就很不容易了，下面貼上完整的KMP的程式碼僅供參考：

 

#include <iostream>
#include <vector>

using namespace std;

vector<int> getNext(string p) {
    int n = p.size(), k = -1, j = 0;
    vector<int> next(n, -1);
    while (j < n - 1) {
        if (k == -1 || p[j] == p[k]) {
            ++k; ++j;
            next[j] = (p[j] != p[k]) ? k : next[k];
        } else {
            k = next[k];
        }
    }
    return next;
}

int kmp(string s, string p) {
    int m = s.size(), n = p.size(), i = 0, j = 0;
    vector<int> next = getNext(p);
    while (i < m && j < n) {
        if (j == - 1 || s[i] == p[j]) {
            ++i; ++j;
        } else {
            j = next[j];
        }
    }
    return (j == n) ? i - j : -1;
}

int main() {
    cout << kmp("BBC_ABCDAB_ABCDABCDABDE", "ABCDABD") << endl; // Output: 15
}

 

參考資料：

http://blog.csdn.net/v_july_v/article/details/7041827

 

轉載請註明出處：來自Grandyang的部落格園：http://www.cnblogs.com/grandyang/p/6992403.html

相關文章