Суффиксный массив

Материал из Викиконспекты
Версия от 17:53, 5 июня 2016; BioRyajenka (обсуждение | вклад) (Основные положения)
Перейти к: навигация, поиск
Определение:
Cуффиксным массивом (англ. suffix array) строки [math]s[1 .. n][/math] называется массив [math]suf[/math] целых чисел от [math]1[/math] до [math]n[/math], такой, что суффикс [math]s[suf[i]..n][/math][math]i[/math]-й в лексикографическом порядке среди всех непустых суффиксов строки [math]s[/math].


Пример

[math]s = abacaba[/math]

SuffixArray.png

Значит, суффиксный массив для строки [math]s[/math] равен [math][7, 5, 1, 3, 6, 2, 4][/math].

Восстановление строки по суффиксному массиву

Задача:
Дан суффиксный массив некоторой строки [math]s[/math], необходимо восстановить строку за время [math]O(|s|)[/math].


Вариант для бесконечного алфавита

Так как наш алфавит не ограничен, можно [math]i[/math]-й в лексикографическом порядке суффикс сопоставить с [math]i[/math]-й буквой в алфавите.

Доказательство корректности

Если отсортировать суффиксы, то первые буквы будут расположены в том же порядке, как и в алфавите.

Псевдокод

string fromSuffixArrayToString(int[] sa):
  for i = 1 to n
       s[sa[i]] = alphabet[i] 
  return s

Вариант для минимально возможного

Для начала вместо каждого символа строки поставим символ из бесконечного алфавита в промежуточную строку [math]tmp[/math], как в решении выше. Пусть, мы рассматриваем [math]i[/math]-й в лексикографическом порядке суффикс (т.е. и [math]i[/math]-й символ строки). Его первый символ будет равен первому символу предущего в лексикографическом порядке суффикса, если [math]tmp[sa[i - 1] + 1] \lt tmp[sa[i] + 1][/math], т.е. и их строки без первого символа так же в лексикографическом порядке. Иначе он должен быть больше, т.к. рассматриваемый суффикс следующий в лексикографическом порядке.

Пример

Дан суффиксный массив [math][7, 5, 1, 3, 6, 2, 4][/math]. Цветами показаны места, после которых добавляются новые символы.

ExampleSuffixArray.png

Псевдокод

string fromSuffixArrayToString(int[] sa):
  for i = 1 to n
       tmp[sa[i]] = alphabet[i]
  cur = 1
  s[1] = alphabet[1]
  for i = 2 to n
       j = sa[i - 1]
       k = sa[i]
       if tmp[j + 1] > tmp[k + 1] 
           cur++
       s[i] = alphabet[cur]       
  return s

Доказательство минимальности

Докажем от противного. Пусть, есть решение в котором использовано меньше букв. Тогда найдется позиция в которой, наше решение отличается от минимального, причем в минимальном остается та же буква, как в предыдущем суффиксе, а в нашем появляется новая. Рассмотрим эти два подряд идущих суффикса. В решении выше добавится новая буква, только если продолжение первого суффикса лексикографически больше, чем продолжение второго. Получается, что в минимальном решении первый суффикс лексикографически больше, чем второй, что неверно. Пришли к противоречию.

Применения

Здесь и далее [math]\mathrm{SA}[/math] — время построения суффиксного массива.

Поиск подстроки в строке

Подсчет LCP для лексикографически соседних суффиксов

Основная статья: Алгоритм Касаи и др.

Число различных подстрок в строке

Вычисление числа различных подстрок в строке за время [math]O(|s| \log(|s|))[/math] и [math]O(|s|)[/math] дополнительной памяти с использованием LCP[1].

Максимальная по длине ветвящаяся влево и вправо строка

Данная задача также может быть решена при помощи суффиксного дерева.

Самая длинная строка p, входящая в t дважды и не пересекаясь

Задача:
Поиск самой длинной строки [math]p[/math], входящей в строку [math]t[/math] дважды и не пересекаясь за [math]\mathrm{SA} + O(n).[/math]


Основные положения

Построим суффиксный массив строки [math]t[/math] и посчитаем на нем LCP. Рассмотрим какие-нибудь суффиксы [math]i[/math] и [math]j[/math] строки [math]t[/math]. Обозначим их позиции в суффиксном массиве за [math]i'[/math] и [math]j'[/math], причем [math]i' \leqslant j'[/math]. Будем говорить, что строка [math]s[/math] соответствует каким-нибудь суффиксам [math]i[/math] и [math]j[/math], если она равна максимальному префиксу этих суффиксов. Будем говорить, что суффиксы [math]i[/math] и [math]j[/math] соответствуют строке [math]s[/math], если [math]s[/math] входит в [math]t[/math] дважды и не пересекаясь, а суффиксы [math]i[/math] и [math]j[/math] соответствуют позициям этих вхождений.

Введем два условия:

  1. [math]\max(len_i, len_j) \geqslant \min(len_i, len_j) + |s|[/math]
  2. [math]|s| = \min\limits_{i'\dots j'}(lcp_k)[/math]

Здесь и далее [math]len_i[/math] означает длину суффикса [math]i[/math], а [math]lcp_k[/math] обозначает значение [math]lcp[/math] для суффикса [math]k[/math] и суффикса, следующего за ним в суффиксном массиве.

Утверждение:
Если для каких-нибудь суффиксов [math]i[/math] и [math]j[/math] соответствующая им строка [math]s[/math] удовлетворяет условиям 1 и 2, то она входит в [math]t[/math] дважды и не пересекаясь.
[math]\triangleright[/math]

Из того, что выполняется условие 1 следует, что один из суффиксов хотя бы на [math]|s|[/math] длиннее другого. При этом они оба начинаются со строки [math]s[/math]. Поэтому строка [math]s[/math] входит в [math]t[/math] дважды и не пересекаясь.

Условию 2 же строка удовлетворяет по построению.

Ч.т.д.
[math]\triangleleft[/math]
Утверждение:
Если строка [math]s[/math] входит в [math]t[/math] дважды и не пересекаясь, то соответствующие ей суффиксы [math]i[/math] и [math]j[/math] удовлетворяют условиям 1 и 2.
[math]\triangleright[/math]

Если строка [math]s[/math] входит в [math]t[/math] дважды и не пересекаясь, то один из суффиксов [math]i[/math] и [math]j[/math] хотя бы на [math]|s|[/math] длиннее другого. Т.е. условие 1 выполнено.

Условие 2 выполняется, т.к. иначе наибольший общий префикс [math]i[/math] и [math]j[/math] был бы меньше [math]|s|[/math], чего не может быть по построению [math]s[/math]. Т.е. условие 2 тоже выполнено.

Ч.т.д.
[math]\triangleleft[/math]


Т.о. строка входит в [math]t[/math] дважды и не пересекаясь тогда и только тогда, когда она удовлетворяет условиям 1 и 2.

Наивный алгоритм

  1. Построим суффиксный массив, посчитаем на нём LCP.
  2. Переберем все пары [math]i[/math] и [math]j[/math] такие, что они удовлетворяют условиям 1 и 2 и возьмем среди них максимум по длине строки.

Этот алгоритм можно реализовать за [math]O(n^3)[/math] или за [math]O(n^2)[/math]. Однако, он не позволяет достигнуть нужной нам асимптотики.

Оптимальное решение

Идея

Чтобы достигнуть асимптотики [math]O(n)[/math], будем перебирать всевозможные подстроки [math]s[/math] строки [math]t[/math] такие, что они входят в [math]t[/math] дважды и удовлетворяют условию 2 при любых [math]i[/math] и [math]j[/math], где [math]i[/math] и [math]j[/math] — суффиксы, соответствующие двум любым вхождениям [math]s[/math] в [math]t[/math] (т.е. не обязательно непересекающимся).Для каждой такой строки [math]s[/math] попробуем найти [math]i[/math] и [math]j[/math], удовлетворяющие условию 1. Таким образом, мы рассмотрим все строки, соответствующие условиям 1 и 2, и, следовательно, найдем ответ. Алгоритм корректный.

Заметим теперь, что искомые строки [math]s[/math] — это префиксы суффиксов [math]k[/math] длины [math]lcp_k[/math]. Для того, чтобы найти для каждой такой строки [math]s[/math] суффиксы [math]i[/math] и [math]j[/math], удовлетворяющие условию 1, воспользуемся стеком.

Алгоритм
  1. Будем идти по суффиксному массиву в порядке лексикографической сортировки суффиксов. В стеке будем хранить префиксы уже рассмотренных суффиксов [math]k[/math] длины [math]lcp_k[/math] (т.е. строки [math]s[/math]) в порядке увеличения длины. Для каждой строки из стека также будем хранить минимальный по длине суффикс [math]i[/math] и максимальный по длине [math]j[/math]. Обозначим за [math]st[/math] вершину стека, а за [math]s[/math] — текущий рассматриваемый суффикс.
  2. Возможны три случая:
    • [math]lcp_{st} = lcp_s[/math]
      Тогда просто обновляем [math]i[/math] и [math]j[/math] для вершины стека.
    • [math]lcp_{st} \geqslant lcp_s[/math]
      Тогда добавляем новую вершину в стек и обновляем для нее [math]i[/math] и [math]j[/math].
    • [math]lcp_{st} \leqslant lcp_s[/math]
      Достаем вершину из стека и "пробрасываем" значения [math]i[/math] и [math]j[/math] из нее в новую вершину стека. Это нужно для того, чтобы не потерять значения [math]i[/math] и [math]j[/math], которые были посчитаны для строк большей длины, но так же актуальны для строк меньшей длины.
  3. Если в какой-то момент [math]i[/math] и [math]j[/math] станут удовлетворять условию 1, обновляем ответ.
Оценка времени работы

Т.к. для каждого суффикса мы выполняем [math]O(1)[/math] операций, то итоговое время работы [math]O(n)[/math]

См. также

Источники

  • Количество различных подстрок
  • Источник — «http://neerc.ifmo.ru/wiki/index.php?title=Суффиксный_массив&oldid=54608»