Main-Lorentz 算法

给定一个长度为 n 的字符串 s

我们将一个字符串连续写两遍所产生的新字符串称为 重串 (tandem repetition)。下文中,为了表述精准,我们将被重复的这个字符串称为原串。换言之,一个重串等价于一对下标 (i, j),其使得 s[i \dots j] 是两个相同字符串拼接而成的。

你的目标是找出给定的字符串 s 中所有的重串。或者,解决一个较为简单的问题:找到字符串 s 中任意重串或者最长的一个重串。

下文的算法由 Michael Main 和 Richard J. Lorentz 在 1982 年提出。

声明:

下文所有的字符串下标从 0 开始。

下文中,记 \overline{s}s 的反串。如 \overline{\tt abc} = \tt cba

例子

考虑字符串 \tt acababaee,这个字符串包括三个重串,分别是:

  • s[2 \dots 5] = \tt abab
  • s[3 \dots 6] = \tt baba
  • s[7 \dots 8] = \tt ee

下面是另一个例子,考虑字符串 \tt abaaba,这个字符串只有两个重串:

  • s[0 \dots 5] = \tt abaaba
  • s[2 \dots 3] = \tt aa

重串的个数

一个长度为 n 的字符串可能有高达 O(n^2) 个重串,一个显然的例子就是 n 个字母全部相同的字符串,这种情况下,只要其子串长度为偶数,这个子串就是重串。多数情况下,一个周期比较小的周期字符串会有很多重串。

但这并不影响我们在 O(n \log n) 的时间内计算出重串数量。因为这个算法通过某种压缩形式来表达一个重串,使得我们可以将多个重串压缩为一个。

这里有一些关于重串数量的有趣结论:

  • 如果一个重串的原串不是重串,则我们称这个重串为 本原重串 (primitive repetition)。可以证明,本原重串最多有 O(n \log n) 个。
  • 如果我们把一个重串用 Crochemore 三元组 (i, p, r) 进行压缩,其中 i 是重串的起始位置,p 是该重串某个循环节的长度(注意不是原串长度!),r 为这个循环节重复的次数。则某字符串的所有重串可以被 O(n \log n) 个 Crochemore 三元组表示。
  • Fibonacci 字符串定义如下:
\begin{align} t_0 &= a, \\ t_1 &= b, \\ t_i &= t_{i-1} + t_{i-2}, \end{align}

可以发现 Fibonacci 字符串具有高度的周期性。对于长度为 f_i 的 Fibonacci 字符串 t_i,即使用 Crochemore 三元组压缩,也有 O(f_i \log f_i) 个三元组。其本原重串的数量也有 O(f_i \log f_i) 个。

Main-Lorentz 算法

Main-Lorentz 算法的核心思想是 分治

这个算法将字符串分为左、右两部分,首先计算完全处于字符串左部(或右部)的重串数量,然后计算起始位置在左部,终止在右部的重串数量。(下文中,我们将这种重串称为 交叉重串

计算交叉重串的数量是 Main-Lorentz 算法的关键点,我们将在下文详细探讨。

寻找交叉重串

我们记某字符串的左部为 u,右部为 v。则 s = u + v,且 u, v 的长度大约等于 s 长度的一半。

对于任意一个重串,我们考虑其中间字符。此处我们将一个重串右半边的第一个字符称为其中间字符,换言之,若 s[i...j] 为重串,则其中间字符为 s[(i + j + 1)/2]。如果一个重串的中间字符在 u 中,则称这个重串 左偏 (left),反之则称其 右偏 (right)

接下来,我们将会探讨如何找到所有的左偏重串。

我们记一个左边重串的长度为 2l。考虑该重串第一个落入 v 的字符(即 s[|u|]),这个字符一定与 u 中的某个字符 u[\textit{cntr}] 一致。

我们考虑固定 \textit{cntr},并找到所有符合条件的重串。举个例子:对于字符串 \tt c \; \underset{\textit{cntr}}{a} \; c \; | \; a \; d \; a(这个 \tt | 是用于分辨左右两部分的),固定 cntr = 1,则我们可以发现重串 \tt caca 符合要求。

显然,我们一旦固定了 \textit{cntr},那我们同时也固定了 l 的取值。我们一旦知道如何找到所有重串,我们就可以从 0|u| - 1 枚举 \textit{cntr} 的取值,然后找到所有符合条件的重串。

左偏重串的判定

即使固定 \textit{cntr} 后,仍然可能会有多个符合条件的重串,我们怎么找到所有符合条件的重串呢?

我们再来举一个例子,对于字符串 \tt abcabcac 中的重串 \overbrace{\tt a}^{l_1} \overbrace{\underset{\textit{cntr}}{\tt b} \tt c}^{l_2} \overbrace{\tt a}^{l_1} \; | \; \overbrace{\tt b \; \tt c}^{l_2},我们记 l_1 为该重串的首字符到 s[\textit{cntr} - 1] 所组成的子串的长度,记 l_2s[\textit{cntr}] 到该重串左边原串的末字符所组成的子串的长度。

于是,我们可以给出某个长度为 2l = 2(l_1 + l_2) = 2(|u| - \textit{cntr}) 的子串是重串的 充分必要条件

k_1 为满足 u[\textit{cntr} - k_1 \dots \textit{cntr} - 1] = u[|u| - k_1 \dots |u| - 1] 的最大整数,记 k_2 为满足 u[\textit{cntr} \dots \textit{cntr} + k_2 - 1] = v[0 \dots k_2 - 1] 的最大整数。则对于任意满足 l_1 \leq k_1l_2 \leq k_2 的二元组 (l_1, l_2),我们都能恰好找到一个与之对应的重串。

总结一下,即有:

  • 固定一个 \textit{cntr}
  • 那么我们此时要找的重串长度均为 2l = 2(|u| - \textit{cntr})。此时可能仍有多个符合条件的重串,取决于 l_1l_2 的取值。
  • 计算上文提到的 k_1k_2
  • 则所有符合条件的重串符合条件:
\begin{align} l_1 + l_2 &= l = |u| - \textit{cntr} \\ l_1 &\le k_1, \\ l_2 &\le k_2. \\ \end{align}

接下来,只需要考虑如何快速算出 k_1k_2 了。借助 Z 函数,我们可以 O(1) 计算它们:

  • 计算 k_1:只需计算 \overline{u} 的 Z 函数即可。
  • 计算 k_2:只需计算 v + \# + u 的 Z 函数即可,其中 \# 是一个 uv 中均没有的字符。

右偏重串

计算右偏重串的方法与计算左偏重串的方法几乎一致。考虑该重串第一个落入 u 的字符(即 s[|u| - 1]),则其一定与 v 中的某个字符一致,记这个字符在 v 中的位置为 \textit{cntr}

k_1 为满足 v[\textit{cntr} - k_1 + 1 \dots \textit{cntr}] = u[|u| - k_1 \dots |u| - 1] 的最大整数,k_2 为满足 v[\textit{cntr} + 1 \dots \textit{cntr} + k_2] = v[0 \dots k_2 - 1] 的最大整数。则我们可以分别通过计算 \overline{u} + \# + \overline{v}v 的 Z 函数来得出 k_1k_2

枚举 \textit{cntr},用相仿的方法寻找右偏重串即可。

算法实现

Main-Lorentz 算法以四元组 (\textit{cntr}, l, k_1, k_2) 的形式给出所有重串。如果你只需要计算重串的数量,或者只需要找到最长的一个重串,这个四元组给的信息是足够的。由 主定理 可得,Main-Lorentz 算法的时间复杂度为 O(n \log n)

请注意,如果你想通过这些四元组来找到所有重串的起始位置与终止位置,则最坏时间复杂度会达到 O(n^2)。我们在下面的程序中实现了这一点,将所有重串的起始位置与终止位置存于 repetitions 中。

 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
65
66
vector<int> z_function(string const& s) {
  int n = s.size();
  vector<int> z(n);
  for (int i = 1, l = 0, r = 0; i < n; i++) {
    if (i <= r) z[i] = min(r - i + 1, z[i - l]);
    while (i + z[i] < n && s[z[i]] == s[i + z[i]]) z[i]++;
    if (i + z[i] - 1 > r) {
      l = i;
      r = i + z[i] - 1;
    }
  }
  return z;
}

int get_z(vector<int> const& z, int i) {
  if (0 <= i && i < (int)z.size())
    return z[i];
  else
    return 0;
}

vector<pair<int, int>> repetitions;

void convert_to_repetitions(int shift, bool left, int cntr, int l, int k1,
                            int k2) {
  for (int l1 = max(1, l - k2); l1 <= min(l, k1); l1++) {
    if (left && l1 == l) break;
    int l2 = l - l1;
    int pos = shift + (left ? cntr - l1 : cntr - l - l1 + 1);
    repetitions.emplace_back(pos, pos + 2 * l - 1);
  }
}

void find_repetitions(string s, int shift = 0) {
  int n = s.size();
  if (n == 1) return;

  int nu = n / 2;
  int nv = n - nu;
  string u = s.substr(0, nu);
  string v = s.substr(nu);
  string ru(u.rbegin(), u.rend());
  string rv(v.rbegin(), v.rend());

  find_repetitions(u, shift);
  find_repetitions(v, shift + nu);

  vector<int> z1 = z_function(ru);
  vector<int> z2 = z_function(v + '#' + u);
  vector<int> z3 = z_function(ru + '#' + rv);
  vector<int> z4 = z_function(v);

  for (int cntr = 0; cntr < n; cntr++) {
    int l, k1, k2;
    if (cntr < nu) {
      l = nu - cntr;
      k1 = get_z(z1, nu - cntr);
      k2 = get_z(z2, nv + 1 + cntr);
    } else {
      l = cntr - nu + 1;
      k1 = get_z(z3, nu + 1 + nv - 1 - (cntr - nu));
      k2 = get_z(z4, (cntr - nu) + 1);
    }
    if (k1 + k2 >= l) convert_to_repetitions(shift, cntr < nu, cntr, l, k1, k2);
  }
}

本页面主要译自博文 Поиск всех тандемных повторов в строке. Алгоритм Мейна-Лоренца 与其英文翻译版 Finding repetitions。其中俄文版版权协议为 Public Domain + Leave a Link;英文版版权协议为 CC-BY-SA 4.0。


评论