搜索
IOI2009国家集训队论文后缀数组罗穗骞信息学奥林匹克ChinaNationOlympiadinInformatics国家集训队论文题题题题目：目：目：目：后缀数组——处理字符串的有力工具作作作作者：者：者：者：罗穗骞指导教师：指导教师：指导教师：指导教师：张学东学学学学校：校：校：校：华南师范大学附属中学完成时间：完成时间：完成时间：完成时间：２００９年１月IOI2009国家集训队论文后缀数组罗穗骞2目录摘要…………………………………………………………………………………4关键字………………………………………………………………………………4正文…………………………………………………………………………………4一、后缀数组的实现…………………………………………………………………41．1基本定义…………………………………………………………………41．2倍增算法…………………………………………………………………61．3DC3算法…………………………………………………………………91．4倍增算法与DC3算法的比较……………………………………………14二、后缀数组的应用………………………………………………………………152．1最长公共前缀……………………………………………………………15例1：最长公共前缀……………………………………………………172．2单个字符串的相关问题…………………………………………………172．2．1重复子串………………………………………………………18例2：可重叠最长重复子串………………………………………18例3：不可重叠最长重复子串（pku1743）…………………………18例4：可重叠的最长重复子串（pku3261）…………………………192．2．2子串的个数……………………………………………………19例5：不相同的子串的个数（spoj694,spoj705）………………192．2．3回文子串………………………………………………………19例6：最长回文子串（ural1297）…………………………………202．2．4连续重复子串…………………………………………………20例7：连续重复子串(pku2406)……………………………………20例8：重复次数最多的连续重复子串(spoj687,pku3693)………212．3两个字符串的相关问题…………………………………………………212．3．1公共子串………………………………………………………22例9：最长公共子串(pku2774,ural1517)………………………222．3．2子串的个数……………………………………………………23IOI2009国家集训队论文后缀数组罗穗骞3例10：长度不小于k的公共子串的个数(pku3415)……………232．4多个字符串的相关问题…………………………………………………23例11：不小于k个字符串中的最长子串(pku3294)……………………24例12：每个字符串至少出现两次且不重叠的最长子串(spoj220)……24例13：出现或反转后出现在每个字符串中的最长子串(pku3294)……24三、结束语…………………………………………………………………………25参考文献……………………………………………………………………………25致谢…………………………………………………………………………………25IOI2009国家集训队论文后缀数组罗穗骞4后后后后缀缀缀缀数数数数组组组组----------------处理字符串的有力工具处理字符串的有力工具处理字符串的有力工具处理字符串的有力工具【【【【摘要摘要摘要摘要】】】】后缀数组是处理字符串的有力工具。后缀数组是后缀树的一个非常精巧的替代品，它比后缀树容易编程实现，能够实现后缀树的很多功能而时间复杂度也并不逊色，而且它比后缀树所占用的内存空间小很多。可以说，在信息学竞赛中后缀数组比后缀树要更为实用。本文分两部分。第一部分介绍两种构造后缀数组的方法，重点介绍如何用简洁高效的代码实现，并对两种算法进行了比较。第二部分介绍后缀数组在各种类型题目中的具体应用。【【【【关键字关键字关键字关键字】】】】字符串后缀后缀数组名次数组基数排序【【【【正文正文正文正文】】】】一、后缀数组的实现一、后缀数组的实现一、后缀数组的实现一、后缀数组的实现本节主要介绍后缀数组的两种实现方法：倍增算法和DC3算法，并对两种算法进行了比较。可能有的读者会认为这两种算法难以理解，即使理解了也难以用程序实现。本节针对这个问题，在介绍这两种算法的基础上，还给出了简洁高效的代码。其中倍增算法只有25行，DC3算法只有40行。１．１１．１１．１１．１基本定义基本定义基本定义基本定义子串：字符串S的子串r[i..j]，i≤j，表示r串中从i到j这一段，也就是顺次排列r[i],r[i+1],...,r[j]形成的字符串。后缀：后缀是指从某个位置i开始到整个串末尾结束的一个特殊子串。字IOI2009国家集训队论文后缀数组罗穗骞5符串r的从第i个字符开始的后缀表示为Suffix(i)，也就是Suffix(i)=r[i..len(r)]。大小比较：关于字符串的大小比较，是指通常所说的“字典顺序”比较，也就是对于两个字符串u、v，令i从1开始顺次比较u[i]和v[i]，如果u[i]=v[i]则令i加1，否则若u[i]v[i]则认为uv，u[i]v[i]则认为uv（也就是vu），比较结束。如果ilen(u)或者ilen(v)仍比较不出结果，那么若len(u)len(v)则认为uv，若len(u)=len(v)则认为u=v，若len(u)len(v)则uv。从字符串的大小比较的定义来看，S的两个开头位置不同的后缀u和v进行比较的结果不可能是相等，因为u=v的必要条件len(u)=len(v)在这里不可能满足。后缀数组：后缀数组SA是一个一维数组，它保存1..n的某个排列SA[1]，SA[2]，……，SA[n]，并且保证Suffix(SA[i])Suffix(SA[i+1])，1≤in。也就是将S的n个后缀从小到大进行排序之后把排好序的后缀的开头位置顺次放入SA中。名次数组：名次数组Rank[i]保存的是Suffix(i)在所有后缀中从小到大排列的“名次”。简单的说，后缀数组是“排第几的是谁？”，名次数组是“你排第几？”。容易看出，后缀数组和名次数组为互逆运算。如图1所示。IOI2009国家集训队论文后缀数组罗穗骞6设字符串的长度为n。为了方便比较大小，可以在字符串后面添加一个字符,这个字符没有在前面的字符中出现过，而且比前面的字符都要小。在求出名次数组后，可以仅用O(1)的时间比较任意两个后缀的大小。在求出后缀数组或名次数组中的其中一个以后，便可以用O(n)的时间求出另外一个。任意两个后缀如果直接比较大小，最多需要比较字符n次，也就是说最迟在比较第n个字符时一定能分出“胜负”。１．２倍增算法１．２倍增算法１．２倍增算法１．２倍增算法倍增算法的主要思路是：用倍增的方法对每个字符开始的长度为2k的子字符串进行排序，求出排名，即rank值。k从0开始，每次加1，当2k大于n以后，每个字符开始的长度为2k的子字符串便相当于所有的后缀。并且这些子字符串都一定已经比较出大小，即rank值中没有相同的值，那么此时的rank值就是最后的结果。每一次排序都利用上次长度为2k-1的字符串的rank值，那么长度为2k的字符串就可以用两个长度为2k-1的字符串的排名作为关键字表示，然后进行基数排序，便得出了长度为2k的字符串的rank值。以字符串“aabaaaab”为例，整个过程如图2所示。其中x、y是表示长度为2k的字符串的两个关键字。IOI2009国家集训队论文后缀数组罗穗骞7具体实现：intwa[maxn],wb[maxn],wv[maxn],ws[maxn];intcmp(int*r,inta,intb,intl){returnr[a]==r[b]&&r[a+l]==r[b+l];}voidda(int*r,int*sa,intn,intm){inti,j,p,*x=wa,*y=wb,*t;for(i=0;im;i++)ws[i]=0;for(i=0;in;i++)ws[x[i]=r[i]]++;for(i=1;im;i++)ws[i]+=ws[i-1];for(i=n-1;i=0;i--)sa[--ws[x[i]]]=i;for(j=1,p=1;pn;j*=2,m=p){for(p=0,i=n-j;in;i++)y[p++]=i;for(i=0;in;i++)if(sa[i]=j)y[p++]=sa[i]-j;for(i=0;in;i++)wv[i]=x[y[i]];for(i=0;im;i++)ws[i]=0;for(i=0;in;i++)ws[wv[i]]++;for(i=1;im;i++)ws[i]+=ws[i-1];for(i=n-1;i=0;i--)sa[--ws[wv[i]]]=y[i];for(t=x,x=y,y=t,p=1,x[sa[0]]=0,i=1;in;i++)x[sa[i]]=cmp(y,sa[i-1],sa[i],j)?p-1:p++;}return;}待排序的字符串放在r数组中，从r[0]到r[n-1]，长度为n，且最大值小于m。为了函数操作的方便，约定除r[n-1]外所有的r[i]都大于0,r[n-1]=0。函数结束后，结果放在sa数组中，从sa[0]到sa[n-1]。IOI2009国家集训队论文后缀数组罗穗骞8函数的第一步，要对长度为1的字符串进行排序。一般来说，在字符串的题目中，r的最大值不会很大，所以这里使用了基数排序。如果r的最大值很大，那么把这段代码改成快速排序。代码：for(i=0;im;i++)ws[i]=0;for(i=0;in;i++)ws[x[i]=r[i]]++;for(i=1;im;i++)ws[i]+=ws[i-1];for(i=n-1;i=0;i--)sa[--ws[x[i]]]=i;这里x数组保存的值相当于是rank值。下面的操作只是用x数组来比较字符的大小，所以没有必要求出当前真实的rank值。接下来进行若干次基数排序，在实现的时候，这里有一个小优化。基数排序要分两次，第一次是对第二关键字排序，第二次是对第一关键字排序。对第二关键字排序的结果实际上可以利用上一次求得的sa直接算出，没有必要再算一次。代码：for(p=0,i=n-j;in;i++)y[p++]=i;for(i=0;in;i++)if(sa[i]=j)y[p++]=sa[i]-j;其中变量j是当前字符串的长度，数组y保存的是对第二关键字排序的结果。然后要对第一关键字进行排序，代码：for(i=0;in;i++)wv[i]=x[y[i]];for(i=0;im;i++)ws[i]=0;for(i=0;in;i++)ws[wv[i]]++;for(i=1;im;i++)ws[i]+=ws[i-1];for(i=n-1;i=0;i--)sa[--ws[wv[i]]]=y[i];这样便求出了新的sa值。在求出sa后，下一步是计算rank值。这里要注意的是，可能有多个字符串的rank值是相同的，所以必须比较两个字符串是否完全相同，y数组的值已经没有必要保存，为了节省空间，这里用y数组保存rank值。这里又有一个小优化，将x和y定义为指针类型，复制整个数组的操作可以用交换指针的值代替，不必将数组中值一个一个的复制。代码：for(t=x,x=y,y=t,p=1,x[sa[0]]=0,i=1;in;i++)x[sa[i]]=cmp(y,sa[i-1],sa[i],j)?p-1:p++;IOI2009国家集训队论文后缀数组罗穗骞9其中cmp函数的代码是：intcmp(int*r,inta,intb,intl){returnr[a]==r[b]&&r[a+l]=