首页 > 代码库 > 利用后缀数组(suffix array)求最长公共子串(longest common substring)
利用后缀数组(suffix array)求最长公共子串(longest common substring)
摘要：本文讨论了最长公共子串的的相关算法的时间复杂度，然后在后缀数组的基础上提出了一个时间复杂度为o(n^2*logn)，空间复杂度为o(n)的算法。该算法虽然不及动态规划和后缀树算法的复杂度低，但其重要的优势在于可以编码简单，代码易于理解，适合快速实现。
首先，来说明一下，LCS通常指的是公共最长子序列（Longest Common Subsequence，名称来源参见《算法导论》原书第3版p223），而不是公共最长子串（也称为最长公共子串）。
最长公共子串问题是在文本串、模式串中寻找共有的一个最长的子串，如文本串text=“abcbcedf”，pattern=“ebcbcdf”，则最长公共子串为“bcbc”，长度为4。
最长公共子串的解法很多，有蛮力搜索法、动态规划法、后缀数组法、后缀树法。本文着重提后缀数组法，其他方法可以自行百度。
蛮力搜索法
1 int enum_longestCommonSubstring(char *text,char *pattern) 2 { 3 if(!text || !pattern) return 0; //nullptr 4 int tlen=strlen(text),plen=strlen(pattern); 5 if(0==tlen || 0==plen) return 0; //empty string 6 int maxLEN=0,i=0,j=0,ofs=0; 7 for(i=0;i<tlen && (tlen-i>=maxLEN);++i) 8 for(j=0;j<plen && (plen-j>=maxLEN); ++j) 9 if( *(text+i)==*(pattern+j) )10 { 11 ofs=1;12 while((i+ofs)<tlen&&(j+ofs)<plen&&*(text+ofs)==*(pattern+ofs))13 { ++ofs; }14 if(ofs>maxLEN) maxLEN=ofs; //update15 }16 return maxLEN;17 }
记文本串长度为m，模式串长度为n，则暴力搜索法时间复杂度为o(m*n*Min(m,n))，空间复杂度o(1)。在子串匹配问题上，如果使用KMP算法，则算法效率可以提高。
动态规划
动态规划求解最长公共子串问题的时间复杂度为o(m*n)，经过优化后的动态规划算法可以达到o(Min(m,n))的空间复杂度
参见http://www.cnblogs.com/ider/p/longest-common-substring-problem-optimization.html
后缀数组
利用排序后的后缀数组（suffix array）来求解最长公共子串步骤为：
一，拼接文本串和模式串得到一个新的串X；
二，将X的所有后缀数组存入sa；（文本串长度为m，模式串长n。步骤二时间复杂度o(m+n)
三，对sa进行排序；
四，计算sa中相邻的子串的最长公共前缀长度(时间复杂度o((m+n)*Min(m,n)))
注：为了避免得到单个串的最长重复子串，在步骤四种参与比较的两个子串应该为一个是文本串的子串，另一个为模式串的子串。因此，在步骤一、二中就应该附加记录位来处理。
《后缀数组——————处理字符串的有力工具处理字符串的有力工具》罗穗骞介绍了使用基数排序来排序后缀数组的方法，排序时间复杂度(m+n)*log(m+n)。因此，使用使用后缀数组+基数排序得到的算法的时间复杂度为o((m+n)*Min(m,n))（步骤四决定最大时间复杂度）。但是，该方法较复杂，不容易掌握，在此处，我提出一种后缀数组+C标准库sort排序的算法，其排序时间复杂度为o(Min(m,n)*(m+n)*log(m+n))，因此，算法整体的时间复杂度为o(Min(m,n)*(m+n)*log(m+n))(由步骤三决定最大时间复杂度），此外，该算法空间复杂度为o(m+n)。 “后缀数组+快排”算法时间复杂低于“后缀数组+基数排序”的时间复杂度，但优点在于利用标准库sort+strcmp来实现排序，代码简单，算法更容易理解。代码如下：
1 #include<stdio.h> 2 #include<iostream> 3 #include<string.h> 4 #include<algorithm> 5 using namesapce std; 6 int suffixArrayQsort_longestCommonSubstring(char *text,char *pattern) 7 { 8 if(!text || !pattern) return 0; //nullptr 9 int tlen=strlen(text),plen=strlen(pattern),i,j;10 if(0==tlen || 0==plen) return 0; //empty string11 12 enum ATTRIB{TEXT,PATTERN};13 struct absInfo14 {15 char *head;16 ATTRIB attr; //tag17 int len;18 absInfo():head(NULL),attr(TEXT),len(0){}19 absInfo(char *phead,ATTRIB attrib,int length):head(phead),attr(attrib),len(length){}20 bool operator < (const absInfo &b)21 {22 return strcmp(head,b.head)<0;23 }24 static void display(const absInfo &a)25 {26 printf("size:%d type:%-7s ",a.len, (a.attr==TEXT?"TEXT":"PATTERN") );27 printf("%s\n",a.head);28 }29 }*sa;30 31 //step 2:build the suffix array32 sa=new absInfo[tlen+plen];33 for(i=0;i<tlen;++i)34 {35 sa[i].head=text+i;36 sa[i].attr=TEXT;37 sa[i].len=tlen-i;38 }39 for(j=0;j<plen;++j)40 {41 sa[j+tlen].head=pattern+j;42 sa[j+tlen].attr=PATTERN;43 sa[j+tlen].len=plen-j;44 }45 46 //step 3:use sort() to sort the sa47 puts("before sort, the sa is:"); for_each(sa,sa+tlen+plen,absInfo::display);48 sort(sa,sa+tlen+plen);49 puts("after sort, the sa is:"); for_each(sa,sa+tlen+plen,absInfo::display);50 51 //step 4:compare52 int maxLEN=0,rec=0;53 for(i=0;i<tlen+plen-1;i++)54 {55 if(sa[i].attr==sa[i+1].attr) continue;56 if(sa[i].len<=maxLEN || sa[i+1].len<=maxLEN) continue;57 rec=0;58 while(rec<sa[i].len && rec<sa[i+1].len && *(sa[i].head+rec)==*(sa[i+1].head+rec) )59 ++rec;60 if(rec>maxLEN) maxLEN=rec; //update61 }62 //release memory resource and return63 delete [] sa; sa=NULL;64 return maxLEN;65 }
注：1，absInfo结构中len字段不是必须的，设置此字段只是为了在代码56行处做一个搜索剪枝操作。
2，稍微改动代码就能在算法中给出公共子串的值（对示例来说就是给出“bcbc")，通过absInfo的len字段和maxLEN值也可以在o(1)的时间复杂度内计算出公共子串分别在文本串和模式串中的位置
运行结果：
当文本串text=“abcbcedf”，pattern=“ebcbcdf”时，代码运行如下图所示：
从代码可以看出，“后缀数组+qsort排序”实现最长公共子串具有编码简单的特点，空间复杂度为o(m+n)
后缀树
后缀树以及广义的后缀树算法读者可以自行搜索。
利用后缀数组(suffix array)求最长公共子串(longest common substring)