Алгоритм Колусси — различия между версиями

Материал из Викиконспекты
Перейти к: навигация, поиск
м
м (rollbackEdits.php mass rollback)
 
(не показаны 24 промежуточные версии 6 участников)
Строка 1: Строка 1:
 +
Алгоритм, разработанный Ливио Колусси, профессором итальянского университета Padova, и опубликованный им в 1991 году, является продолжением работы над оптимизацией [[Алгоритм Кнута-Морриса-Пратта|алгоритма Кнута-Морриса-Пратта]]. Предназначен для поиска одной подстроки в одном тексте.
 +
 
==Алгоритм==
 
==Алгоритм==
 +
Алгоритм сравнивает символы шаблона <tex>x</tex> один за другим с символами исходной строки <tex>y</tex>. Для сдвигов шаблона относительно исходной строки применяются вспомогательные функции, описанные ниже.
 +
 +
Пусть <tex>|y|=n</tex> и <tex>|x|=m</tex>.
 +
 +
Обозначим за <tex>\mathrm{Kmp}</tex> {{---}} [[Префикс-функция|префикс-функцию]], но при этом она определена для <tex>x[0] \dots x[m-1]</tex> и имеет значение <tex>-1</tex> по умолчанию.
 +
 +
Отметим, что нумерация символов строк и элементов массива у нас начинается с <tex>0</tex>.
 +
 +
Множество всех позиций шаблона разделим на два дизъюнктных множества. Тогда каждая попытка сравнения шаблона с исходной строкой после очередного сдвига состоит из двух случаев.
 +
 +
{{Определение
 +
|definition=
 +
В первом случае сравнения выполняются слева направо с символами текста, выровненными с шаблоном в позиции, для которой значение функции <tex>\mathrm{Kmp}(i)</tex> строго больше <tex>-1</tex>. Такие позиции будем называть '''насыщенными''' (англ. ''noholes'').
 +
}}
 +
 +
{{Определение
 +
|definition=
 +
Во втором случае будут производиться сравнения в оставшихся позициях справа налево. Такие позиции будем называть '''ненасыщенными''' (англ. ''holes'').
 +
}}
 +
 +
Такая стратегия предоставляет, как минимум, 2 преимущества:
 +
* когда несовпадение появляется во время первого случая, после соответствующего сдвига уже нет необходимости делать проверки в насыщенных позициях, которые были проверены на предыдущем шаге.
 +
* когда несовпадение появляется во время второго случая, это означает, что суффикс шаблона совпал с подстрокой исходной строки <tex>y</tex> и после соответствующего сдвига префикс шаблона будет все ещё совпадать с этой подстрокой, поэтому нет необходимости в повторной проверке.
 +
 +
{{Определение
 +
|definition=
 +
Обозначим за <tex>\mathrm{K_{min}}(i) =  \min\{k : \ x[0 \dots i-1-k]=x[d \dots i-1]\ and\ x[i-k] \neq x[i]\}</tex>. Функция <tex>\mathrm{K_{min}}</tex> определена для всех позиций <tex>i</tex>, у которых <tex>\mathrm{Kmp}(i) \neq -1</tex>.
 +
}}
 +
 +
Если <tex>\mathrm{K_{min}}(i) \neq 0</tex>, то периодичность шаблона <tex>x</tex> заканчивается в позиции <tex>i</tex>.
 +
 +
Очевидно, что для <tex>0 < i < m</tex> позиция <tex>i</tex>:
 +
* насыщенная, если <tex>\mathrm{K_{min}}(i-1) \neq 0</tex>,
 +
* ненасыщенная, в остальных случаях.
 +
 +
Обозначим за <tex>nd+1</tex> количество насыщенных позиций в шаблоне <tex>x</tex>.
 +
 +
Массив <tex>h</tex> содержит первыми элементами <tex>nd+1</tex> насыщенных позиций в возрастающем порядке и затем <tex>m-nd-1</tex> ненасыщенных в убывающем порядке, т.е.
 +
* для всех <tex>0 \leqslant i \leqslant nd</tex> <tex>h[i]</tex> насыщенная позиция и <tex>h[i] < h[i+1]</tex> для <tex>0 \leqslant i < nd</tex>.
 +
* для всех <tex>nd < i < m</tex> <tex>h[i]</tex> ненасыщенная и <tex>h[i] > h[i+1]</tex> для <tex>nd < i < m-1</tex>.
 +
 +
{{Определение
 +
|definition=
 +
Обозначим за <tex>\mathrm{R_{min}}(i)</tex> наименьший период <tex>r</tex> шаблона <tex>x</tex> большего, чем <tex>i</tex>. Функция <tex>\mathrm{R_{min}}</tex> определена для всех позиций <tex>i</tex>, у которых <tex>\mathrm{Kmp}(i) = -1</tex>.
 +
}}
 +
 +
{{Определение
 +
|definition=
 +
Обозначим за <tex>\mathrm{first}(u)</tex> наименьшее число <tex>v</tex> такое, что <tex>u \leqslant h[v]</tex>.
 +
}}
 +
 +
Теперь рассмотрим 2 случая, возможных при очередной попытке сравнения шаблона с подстрокой из текста. Допустим, что шаблон <tex>x</tex> выровнен с подстрокой <tex>y[j \dots j+m-1]</tex>.
 +
 +
=== Первый случай ===
 +
Рассмотрим случай, когда <tex>x[h[k]]=y[j+h[k]]</tex> для <tex>0 \leqslant k < r < nd</tex> и <tex>x[h[r]] \neq y[j+h[r]]</tex>.
 +
 +
Пусть <tex>j' = j + \mathrm{K_{min}}(h[r])</tex>.
 +
 +
Тогда нет вхождений шаблона <tex>x</tex>, начиная с <tex>y[j \dots j']</tex> и <tex>x</tex> может быть сдвинут на <tex>\mathrm{K_{min}}(h[r])</tex> позиций вправо.
 +
 +
Кроме того равенство <tex>x[h[k]]=y[j’+h[k]]</tex> для всех <tex>k : 0 \leqslant k < \mathrm{first}(h[r]-\mathrm{K_{min}}(h[r]))</tex> означает, что сравнения могут продолжены с символов <tex>x[h[\mathrm{first}(h[r] - \mathrm{K_{min}}(h[r]))]]</tex> и <tex>y[j'+h[\mathrm{first}(h[r]-\mathrm{K_{min}}(h[r]))]]</tex>.
 +
 +
[[Файл:colussi-algorithm-1.png|450px|thumb|center|Несовпадение в насыщенной позиции. Насыщенные позиции обозначены черными кругами и сравниваются слева направо.]]
 +
 +
=== Второй случай ===
 +
Теперь рассмотрим ситуацию, когда <tex>x[h[k]]=y[j+h[k]]</tex> для <tex>0 \leqslant k < r</tex> и <tex>x[h[r]] \neq y[j+h[r]]</tex> для <tex>nd \leqslant r < m</tex>.
 +
 +
Пусть <tex>j' = j + \mathrm{R_{min}}(h[r])</tex>.
 +
 +
Тогда нет вхождений шаблона <tex>x</tex>, начиная с <tex>y[j \dots j']</tex> и <tex>x</tex> может быть сдвинут на <tex>\mathrm{R_{min}}(h[r])</tex> позиций вправо.
 +
 +
Кроме того равенство <tex>x[0 \dots m-1-\mathrm{R_{min}}(h[r])]=y[j' \dots j+m-1]</tex> означает, что сравнения могут продолжены с символов <tex>x[h[\mathrm{first}(m-1-\mathrm{R_{min}}(h[r]))]]</tex> и <tex>y[j'+h[\mathrm{first}(m-1-\mathrm{R_{min}}(h[r]))]]</tex>.
 +
 +
[[Файл:colussi-algorithm-2.png|450px|thumb|center|Несовпадение в ненасыщенной позиции. Ненасыщенные позиции обозначены белыми кругами и сравниваются справа налево.]]
 +
 +
=== Предварительные вычисления ===
 +
Для вычисления значений <tex>\mathrm{K_{min}}</tex> будем использовать вспомогательную функцию <tex>\mathrm{H_{max}}</tex>.
 +
{{Определение
 +
|definition=
 +
Обозначим за <tex>\mathrm{H_{max}}</tex> функцию, для которой выполняется:
 +
* <tex>x[k \dots \mathrm{H_{max}}(k)-1]=x[0 \dots \mathrm{H_{max}}(k)-k-1]</tex>,
 +
* <tex>x[\mathrm{H_{max}}(k)] \neq x[\mathrm{H_{max}}(k)-k]</tex>.
 +
}}
 +
 +
{{Определение
 +
|definition=
 +
Обозначим за <tex>\mathrm{nhd0}(i)</tex> количество насыщенных позиций строго меньших <tex>i</tex>.
 +
}}
 +
 +
Теперь мы можем определить два функции <tex>shift</tex> и <tex>next</tex>:
 +
* <tex>\mathrm{shift}(i)=\mathrm{K_{min}}(h[i])</tex> и <tex>\mathrm{next}(i)=\mathrm{nhd0}(h[i]-\mathrm{K_{min}}(h[i]))</tex> для всех <tex>i : i < nd</tex>;
 +
* <tex>\mathrm{shift}(i)=\mathrm{R_{min}}(h[i])</tex> и <tex>\mathrm{next}(i)=\mathrm{nhd0}(m-\mathrm{R_{min}}(h[i]))</tex> для всех <tex>i : nd \leqslant i < m</tex>;
 +
* <tex>\mathrm{shift}(m)=\mathrm{R_{min}}(0)</tex> и <tex>\mathrm{next}(m)=\mathrm{nhd0}(m-\mathrm{R_{min}}(h[m-1]))</tex>.
 +
 +
Таким образом, при возникновении несовпадения между  <tex>x[h[r]]</tex> и <tex>y[j+h[r]]</tex> окно сравнения должно быть сдвинуто на <tex>\mathrm{shift}(r)</tex> и сравнения могут быть продолжены с позиции <tex>h[\mathrm{next}(r)]</tex> шаблона <tex>x</tex>.
 +
 
==Псевдокод==
 
==Псевдокод==
 +
Функция для построения массива <tex>\mathrm{H_{max}}</tex>.
 +
 +
'''Наивный вариант'''
 +
  '''int'''[] buildHmax('''char'''[] x, '''int''' m):
 +
      '''int''' hmax[m + 1]
 +
      '''for''' k = 1 .. m
 +
        '''int''' i = k
 +
        '''while''' i < m and x[i] == x[i - k]
 +
            i++
 +
        hmax[k] = i
 +
      '''return''' hmax
 +
Явная реализация по определению, очевидно, работает за <tex>O(m^2)</tex> и требует <tex>O(m)</tex> памяти.
 +
 +
'''Улучшенный вариант'''
 +
 +
  '''int'''[] buildHmax('''char'''[] x, '''int''' m):
 +
      '''int''' hmax[m + 1]
 +
      '''int''' i = 1
 +
      '''int''' k = 1
 +
      '''while''' k <= m
 +
        '''while''' i < m and x[i] == x[i - k]
 +
            i++
 +
        hmax[k] = i
 +
        '''int''' q = k + 1
 +
        '''while''' hmax[q - k] + k < i
 +
            hmax[q] = hmax[q - k] + k
 +
            q++
 +
        k = q
 +
        '''if''' k == i + 1
 +
            i = k
 +
      '''return''' hmax
 +
На каждой итерации цикла увеличивается либо переменная <tex>i</tex>, либо <tex>k</tex> (или переменная <tex>q</tex>, которая используется в конечном счете для обновления <tex>k</tex>). Поскольку <tex>i = 1</tex> и <tex>k = 1</tex> в начале и <tex>i < k = m + 1</tex> в конце алгоритма, количество итераций алгоритма не превосходит <tex>2 \cdot m</tex>. Следовательно функция требует <tex>O(m)</tex> времени и памяти.
 +
 +
Функция для построения массива <tex>\mathrm{K_{min}}</tex>.
 +
  '''int'''[] buildKmin('''int'''[] hmax, '''int''' m):
 +
      '''int''' kmin[m]
 +
      '''for''' i = m .. 1
 +
        '''if''' hmax[i] < m
 +
            kmin[hmax[i]] = i
 +
      '''return''' kmin
 +
 +
Функция для построения массива <tex>\mathrm{R_{min}}</tex>.
 +
  '''int'''[] buildRmin('''int'''[] hmax, '''int'''[] kmin, '''int''' m):
 +
      '''int''' rmin[m]
 +
      '''int''' r = 0
 +
      '''for''' i = m - 1 .. 0
 +
        '''if''' hmax[i + 1] == m
 +
            <font color="green">// <tex>r</tex> {{---}} первое число большее, чем <tex>i</tex> и такое, что шаблон имеет период <tex>r</tex></font>
 +
            r = i + 1
 +
        '''if''' kmin[i] == 0
 +
            rmin[i] = r
 +
        '''else'''
 +
            rmin[i] = 0
 +
      '''return''' rmin
 +
 +
Функция для построение массива <tex>\mathrm{shift}</tex>.
 +
  '''int'''[] buildShift('''int'''[] kmin, '''int'''[] rmin, '''int'''[] h, '''int''' nd, '''int''' m):
 +
      '''int''' shift[m + 1]
 +
      '''for''' i = 0 .. nd
 +
        shift[i] = kmin[h[i]]
 +
      '''for''' i = nd + 1 .. m - 1
 +
        shift[i] = rmin[h[i]]
 +
      shift[m] = rmin[0]
 +
      '''return''' shift
 +
 +
Функция для построения массива <tex>\mathrm{next}</tex>.
 +
  '''int'''[] buildNext('''int'''[] kmin, '''int'''[] rmin, '''int'''[] h, '''int''' nd, '''int''' m):
 +
      <font color="green">// Вычисление массива <tex>\mathrm{nhd0}</tex></font>
 +
      '''int''' nhd0[m]
 +
      '''int''' s = 0
 +
      '''for''' i = 0 .. m - 1
 +
        nhd0[i] = s
 +
        if kmin[i] > 0
 +
            ++s
 +
     
 +
      <font color="green">// Вычисление массива <tex>\mathrm{next}</tex></font>
 +
      '''int''' next[m + 1]
 +
      '''for''' i = 0 .. nd
 +
        next[i] = nhd0[h[i] - kmin[h[i]]]
 +
      '''for''' i = nd + 1 .. m - 1
 +
        next[i] = nhd0[m - rmin[h[i]]]
 +
      next[m] = nhd0[m - rmin[h[m - 1]]]
 +
      '''return''' next
 +
 +
Основная функция алгоритма Колусси.
 +
  '''function''' colussi('''char'''[] x, '''char'''[] y):
 +
      '''int''' n = length(y)
 +
      '''int''' m = length(x)
 +
     
 +
      <font color="green">// Предварительные вычисления</font>
 +
      '''int'''[] hmax = buildHmax(x, m)
 +
      '''int'''[] kmin = buildKmin(hmax, m)
 +
      '''int'''[] rmin = buildRmin(hmax, kmin, m)
 +
     
 +
      <font color="green">// Построение массива <tex>h</tex></font>
 +
      '''int''' h[m]
 +
      '''int''' s = -1
 +
      '''int''' r = m
 +
      '''for''' i = 0 .. m - 1
 +
        '''if''' kmin[i] == 0
 +
            h[--r] = i
 +
        '''else'''
 +
            h[++s] = i
 +
      '''int''' nd = s
 +
     
 +
      '''int'''[] shift = buildShift(kmin, rmin, h, nd, m)
 +
      '''int'''[] next = buildNext(kmin, rmin, h, nd, m)
 +
     
 +
      <font color="green">// Поиск подстроки</font>
 +
      '''int''' i = 0
 +
      '''int''' j = 0
 +
      '''int''' last = -1
 +
      '''while''' j <= n - m
 +
        '''while''' i < m '''and''' last < j + h[i] '''and''' x[h[i]] == y[j + h[i]]
 +
            ++i
 +
        '''if''' i >= m '''or''' last >= j + h[i]
 +
            OUTPUT(j)
 +
            i = m
 +
        '''if''' i > nd
 +
            last = j + m - 1
 +
        j += shift[i]
 +
        i = next[i]
 +
 
==Асимптотики==
 
==Асимптотики==
* partitions the set of pattern positions into two disjoint subsets; the positions in the first set are scanned from left to right and when no mismatch occurs the positions of the second subset are scanned from right to left;
+
* Фаза предварительных вычислений занимает <tex>O(m)</tex> времени и памяти;
* preprocessing phase in <tex>O(m)</tex> time and space complexity;
+
* В худшем случае поиск требует <tex>O(n)</tex> сравнений.
* searching phase in <tex>O(n)</tex> time complexity;
+
 
* performs <tex>3/2n</tex> text character comparisons in the worst case.
+
где <tex>n</tex> {{---}} длина исходного текста, <tex>m</tex> {{---}} длина шаблона
  
 
==Сравнение с другими алгоритмами==
 
==Сравнение с другими алгоритмами==
 
===Достоинства===
 
===Достоинства===
 +
* Поиск выполняется за <tex>O(n)</tex> в отличие от [[Алгоритм Кнута-Морриса-Пратта|алгоритма Кнута-Морриса-Пратта]], поиск в котором занимается <tex>O(n+m)</tex>, что помогает уменьшить константу при <tex>m \sim n</tex>.
 +
* Фаза предобработки выполняется за <tex>O(m)</tex> в отличие от [[Алгоритм Бойера-Мура|алгоритма Бойера-Мура]], где в наилучшем случае можно получить время <tex>O(n+|\Sigma|)</tex>, что плохо при больших алфавитах.
 +
 
===Недостатки===
 
===Недостатки===
==Ссылки==
+
* Сложность реализации.
 +
 
 +
==Источники информации==
 +
* COLUSSI L., 1991, Correctness and efficiency of the pattern matching algorithms, Information and Computation 95(2):225-251.
 
* [http://www-igm.univ-mlv.fr/~lecroq/string/node10.html Colussi algorithm]
 
* [http://www-igm.univ-mlv.fr/~lecroq/string/node10.html Colussi algorithm]
 
* [http://alg.csie.ncnu.edu.tw/course/StringMatching/Colussi.ppt Colussi.ppt]
 
* [http://alg.csie.ncnu.edu.tw/course/StringMatching/Colussi.ppt Colussi.ppt]
 +
 +
[[Категория: Дискретная математика и алгоритмы]]
 +
[[Категория: Поиск подстроки в строке]]
 +
[[Категория: Точный поиск]]

Текущая версия на 19:42, 4 сентября 2022

Алгоритм, разработанный Ливио Колусси, профессором итальянского университета Padova, и опубликованный им в 1991 году, является продолжением работы над оптимизацией алгоритма Кнута-Морриса-Пратта. Предназначен для поиска одной подстроки в одном тексте.

Алгоритм

Алгоритм сравнивает символы шаблона [math]x[/math] один за другим с символами исходной строки [math]y[/math]. Для сдвигов шаблона относительно исходной строки применяются вспомогательные функции, описанные ниже.

Пусть [math]|y|=n[/math] и [math]|x|=m[/math].

Обозначим за [math]\mathrm{Kmp}[/math]префикс-функцию, но при этом она определена для [math]x[0] \dots x[m-1][/math] и имеет значение [math]-1[/math] по умолчанию.

Отметим, что нумерация символов строк и элементов массива у нас начинается с [math]0[/math].

Множество всех позиций шаблона разделим на два дизъюнктных множества. Тогда каждая попытка сравнения шаблона с исходной строкой после очередного сдвига состоит из двух случаев.


Определение:
В первом случае сравнения выполняются слева направо с символами текста, выровненными с шаблоном в позиции, для которой значение функции [math]\mathrm{Kmp}(i)[/math] строго больше [math]-1[/math]. Такие позиции будем называть насыщенными (англ. noholes).


Определение:
Во втором случае будут производиться сравнения в оставшихся позициях справа налево. Такие позиции будем называть ненасыщенными (англ. holes).


Такая стратегия предоставляет, как минимум, 2 преимущества:

  • когда несовпадение появляется во время первого случая, после соответствующего сдвига уже нет необходимости делать проверки в насыщенных позициях, которые были проверены на предыдущем шаге.
  • когда несовпадение появляется во время второго случая, это означает, что суффикс шаблона совпал с подстрокой исходной строки [math]y[/math] и после соответствующего сдвига префикс шаблона будет все ещё совпадать с этой подстрокой, поэтому нет необходимости в повторной проверке.


Определение:
Обозначим за [math]\mathrm{K_{min}}(i) = \min\{k : \ x[0 \dots i-1-k]=x[d \dots i-1]\ and\ x[i-k] \neq x[i]\}[/math]. Функция [math]\mathrm{K_{min}}[/math] определена для всех позиций [math]i[/math], у которых [math]\mathrm{Kmp}(i) \neq -1[/math].


Если [math]\mathrm{K_{min}}(i) \neq 0[/math], то периодичность шаблона [math]x[/math] заканчивается в позиции [math]i[/math].

Очевидно, что для [math]0 \lt i \lt m[/math] позиция [math]i[/math]:

  • насыщенная, если [math]\mathrm{K_{min}}(i-1) \neq 0[/math],
  • ненасыщенная, в остальных случаях.

Обозначим за [math]nd+1[/math] количество насыщенных позиций в шаблоне [math]x[/math].

Массив [math]h[/math] содержит первыми элементами [math]nd+1[/math] насыщенных позиций в возрастающем порядке и затем [math]m-nd-1[/math] ненасыщенных в убывающем порядке, т.е.

  • для всех [math]0 \leqslant i \leqslant nd[/math] [math]h[i][/math] насыщенная позиция и [math]h[i] \lt h[i+1][/math] для [math]0 \leqslant i \lt nd[/math].
  • для всех [math]nd \lt i \lt m[/math] [math]h[i][/math] ненасыщенная и [math]h[i] \gt h[i+1][/math] для [math]nd \lt i \lt m-1[/math].


Определение:
Обозначим за [math]\mathrm{R_{min}}(i)[/math] наименьший период [math]r[/math] шаблона [math]x[/math] большего, чем [math]i[/math]. Функция [math]\mathrm{R_{min}}[/math] определена для всех позиций [math]i[/math], у которых [math]\mathrm{Kmp}(i) = -1[/math].


Определение:
Обозначим за [math]\mathrm{first}(u)[/math] наименьшее число [math]v[/math] такое, что [math]u \leqslant h[v][/math].


Теперь рассмотрим 2 случая, возможных при очередной попытке сравнения шаблона с подстрокой из текста. Допустим, что шаблон [math]x[/math] выровнен с подстрокой [math]y[j \dots j+m-1][/math].

Первый случай

Рассмотрим случай, когда [math]x[h[k]]=y[j+h[k]][/math] для [math]0 \leqslant k \lt r \lt nd[/math] и [math]x[h[r]] \neq y[j+h[r]][/math].

Пусть [math]j' = j + \mathrm{K_{min}}(h[r])[/math].

Тогда нет вхождений шаблона [math]x[/math], начиная с [math]y[j \dots j'][/math] и [math]x[/math] может быть сдвинут на [math]\mathrm{K_{min}}(h[r])[/math] позиций вправо.

Кроме того равенство [math]x[h[k]]=y[j’+h[k]][/math] для всех [math]k : 0 \leqslant k \lt \mathrm{first}(h[r]-\mathrm{K_{min}}(h[r]))[/math] означает, что сравнения могут продолжены с символов [math]x[h[\mathrm{first}(h[r] - \mathrm{K_{min}}(h[r]))]][/math] и [math]y[j'+h[\mathrm{first}(h[r]-\mathrm{K_{min}}(h[r]))]][/math].

Несовпадение в насыщенной позиции. Насыщенные позиции обозначены черными кругами и сравниваются слева направо.

Второй случай

Теперь рассмотрим ситуацию, когда [math]x[h[k]]=y[j+h[k]][/math] для [math]0 \leqslant k \lt r[/math] и [math]x[h[r]] \neq y[j+h[r]][/math] для [math]nd \leqslant r \lt m[/math].

Пусть [math]j' = j + \mathrm{R_{min}}(h[r])[/math].

Тогда нет вхождений шаблона [math]x[/math], начиная с [math]y[j \dots j'][/math] и [math]x[/math] может быть сдвинут на [math]\mathrm{R_{min}}(h[r])[/math] позиций вправо.

Кроме того равенство [math]x[0 \dots m-1-\mathrm{R_{min}}(h[r])]=y[j' \dots j+m-1][/math] означает, что сравнения могут продолжены с символов [math]x[h[\mathrm{first}(m-1-\mathrm{R_{min}}(h[r]))]][/math] и [math]y[j'+h[\mathrm{first}(m-1-\mathrm{R_{min}}(h[r]))]][/math].

Несовпадение в ненасыщенной позиции. Ненасыщенные позиции обозначены белыми кругами и сравниваются справа налево.

Предварительные вычисления

Для вычисления значений [math]\mathrm{K_{min}}[/math] будем использовать вспомогательную функцию [math]\mathrm{H_{max}}[/math].

Определение:
Обозначим за [math]\mathrm{H_{max}}[/math] функцию, для которой выполняется:
  • [math]x[k \dots \mathrm{H_{max}}(k)-1]=x[0 \dots \mathrm{H_{max}}(k)-k-1][/math],
  • [math]x[\mathrm{H_{max}}(k)] \neq x[\mathrm{H_{max}}(k)-k][/math].


Определение:
Обозначим за [math]\mathrm{nhd0}(i)[/math] количество насыщенных позиций строго меньших [math]i[/math].


Теперь мы можем определить два функции [math]shift[/math] и [math]next[/math]:

  • [math]\mathrm{shift}(i)=\mathrm{K_{min}}(h[i])[/math] и [math]\mathrm{next}(i)=\mathrm{nhd0}(h[i]-\mathrm{K_{min}}(h[i]))[/math] для всех [math]i : i \lt nd[/math];
  • [math]\mathrm{shift}(i)=\mathrm{R_{min}}(h[i])[/math] и [math]\mathrm{next}(i)=\mathrm{nhd0}(m-\mathrm{R_{min}}(h[i]))[/math] для всех [math]i : nd \leqslant i \lt m[/math];
  • [math]\mathrm{shift}(m)=\mathrm{R_{min}}(0)[/math] и [math]\mathrm{next}(m)=\mathrm{nhd0}(m-\mathrm{R_{min}}(h[m-1]))[/math].

Таким образом, при возникновении несовпадения между [math]x[h[r]][/math] и [math]y[j+h[r]][/math] окно сравнения должно быть сдвинуто на [math]\mathrm{shift}(r)[/math] и сравнения могут быть продолжены с позиции [math]h[\mathrm{next}(r)][/math] шаблона [math]x[/math].

Псевдокод

Функция для построения массива [math]\mathrm{H_{max}}[/math].

Наивный вариант

  int[] buildHmax(char[] x, int m):
     int hmax[m + 1]
     for k = 1 .. m
        int i = k
        while i < m and x[i] == x[i - k]
           i++
        hmax[k] = i
     return hmax

Явная реализация по определению, очевидно, работает за [math]O(m^2)[/math] и требует [math]O(m)[/math] памяти.

Улучшенный вариант

  int[] buildHmax(char[] x, int m):
     int hmax[m + 1]
     int i = 1
     int k = 1
     while k <= m
        while i < m and x[i] == x[i - k]
           i++
        hmax[k] = i
        int q = k + 1
        while hmax[q - k] + k < i
           hmax[q] = hmax[q - k] + k
           q++
        k = q
        if k == i + 1
           i = k
     return hmax

На каждой итерации цикла увеличивается либо переменная [math]i[/math], либо [math]k[/math] (или переменная [math]q[/math], которая используется в конечном счете для обновления [math]k[/math]). Поскольку [math]i = 1[/math] и [math]k = 1[/math] в начале и [math]i \lt k = m + 1[/math] в конце алгоритма, количество итераций алгоритма не превосходит [math]2 \cdot m[/math]. Следовательно функция требует [math]O(m)[/math] времени и памяти.

Функция для построения массива [math]\mathrm{K_{min}}[/math].

  int[] buildKmin(int[] hmax, int m):
     int kmin[m]
     for i = m .. 1
        if hmax[i] < m
           kmin[hmax[i]] = i
     return kmin

Функция для построения массива [math]\mathrm{R_{min}}[/math].

  int[] buildRmin(int[] hmax, int[] kmin, int m):
     int rmin[m]
     int r = 0
     for i = m - 1 .. 0
        if hmax[i + 1] == m
           // [math]r[/math] — первое число большее, чем [math]i[/math] и такое, что шаблон имеет период [math]r[/math]
           r = i + 1
        if kmin[i] == 0
           rmin[i] = r
        else
           rmin[i] = 0
     return rmin

Функция для построение массива [math]\mathrm{shift}[/math].

  int[] buildShift(int[] kmin, int[] rmin, int[] h, int nd, int m):
     int shift[m + 1]
     for i = 0 .. nd
        shift[i] = kmin[h[i]]
     for i = nd + 1 .. m - 1
        shift[i] = rmin[h[i]]
     shift[m] = rmin[0]
     return shift

Функция для построения массива [math]\mathrm{next}[/math].

  int[] buildNext(int[] kmin, int[] rmin, int[] h, int nd, int m):
     // Вычисление массива [math]\mathrm{nhd0}[/math]
     int nhd0[m]
     int s = 0
     for i = 0 .. m - 1
        nhd0[i] = s
        if kmin[i] > 0
           ++s
     
     // Вычисление массива [math]\mathrm{next}[/math]
     int next[m + 1]
     for i = 0 .. nd
        next[i] = nhd0[h[i] - kmin[h[i]]]
     for i = nd + 1 .. m - 1
        next[i] = nhd0[m - rmin[h[i]]]
     next[m] = nhd0[m - rmin[h[m - 1]]]
     return next

Основная функция алгоритма Колусси.

  function colussi(char[] x, char[] y):
     int n = length(y)
     int m = length(x) 
     
     // Предварительные вычисления
     int[] hmax = buildHmax(x, m)
     int[] kmin = buildKmin(hmax, m)
     int[] rmin = buildRmin(hmax, kmin, m)
     
     // Построение массива [math]h[/math]
     int h[m]
     int s = -1
     int r = m
     for i = 0 .. m - 1
        if kmin[i] == 0
           h[--r] = i
        else
           h[++s] = i
     int nd = s
     
     int[] shift = buildShift(kmin, rmin, h, nd, m)
     int[] next = buildNext(kmin, rmin, h, nd, m)
     
     // Поиск подстроки
     int i = 0
     int j = 0
     int last = -1
     while j <= n - m
        while i < m and last < j + h[i] and x[h[i]] == y[j + h[i]]
           ++i
        if i >= m or last >= j + h[i]
           OUTPUT(j)
           i = m
        if i > nd
           last = j + m - 1
        j += shift[i]
        i = next[i]

Асимптотики

  • Фаза предварительных вычислений занимает [math]O(m)[/math] времени и памяти;
  • В худшем случае поиск требует [math]O(n)[/math] сравнений.

где [math]n[/math] — длина исходного текста, [math]m[/math] — длина шаблона

Сравнение с другими алгоритмами

Достоинства

  • Поиск выполняется за [math]O(n)[/math] в отличие от алгоритма Кнута-Морриса-Пратта, поиск в котором занимается [math]O(n+m)[/math], что помогает уменьшить константу при [math]m \sim n[/math].
  • Фаза предобработки выполняется за [math]O(m)[/math] в отличие от алгоритма Бойера-Мура, где в наилучшем случае можно получить время [math]O(n+|\Sigma|)[/math], что плохо при больших алфавитах.

Недостатки

  • Сложность реализации.

Источники информации

  • COLUSSI L., 1991, Correctness and efficiency of the pattern matching algorithms, Information and Computation 95(2):225-251.
  • Colussi algorithm
  • Colussi.ppt