浅谈 AC 自动机

浅谈 AC 自动机

前言

这不是第一次看到这个算法。第一次是在 OI-wiki 上瞄到的。当时我还是一个什么也不懂的初一蒟蒻,看到这个名字就十分兴奋:“‘AC 自动机’耶!是不是可以帮我自动 AC !?”

后来看到只是一个字符串算法,就离开了。今天上课讲了这个,感觉原理及实现没有后缀数组那么难(还没做几道应用题)。趁一节晚修,来写篇笔记吧。

食用指南:要先学会 Trie树;KMP的话,理解到思想(\(\text{next}\) 数组)就可以了,不一定要学得透透的。

AC 自动机到底是什么?

AC 自动机是 以 Trie 的结构为基础,结合 KMP 的思想 建立的自动机。

之所以称为 AC 自动机,是因为此算法是由 Alfred V. Aho 和 Margaret J.Corasick 发明的,称为 Aho–Corasick 算法。

所以他不是 Automation,更不是 Accepted,而是 Automaton(自动机)。

AC 自动机可以用来干什么?

他是处理字符串的算法。

具体的,他可以解决多模式匹配的问题。

KMP 算法也是解决字符串匹配的,但他处理的问题只有一个模式串(需要寻找的串)和一个文本串(在这个串里寻找)。

而 AC 自动机,就可以解决多模式串匹配的问题。

算法思路

简单来说,建立一个 AC 自动机有两个步骤:

  1. Trie 结构:将所有的模式串构建成一棵 Trie 树。
  2. KMP 的思想:在 KMP 中,一旦失配,就跳到 \(\text{next}\) 失配指针所指的下一个字符;所以 AC 自动机中,也要对整颗 Trie 树所有节点构造失配指针。

那我们现在就开始吧。

Trie 树

回忆一下 AC 自动机的思路:首先把所有的字符串全部丢进 Trie 树里面,然后再在 Trie 树上构建自动机。

这个 Trie 树构建就很简单了,该怎么建就怎么建。详细内容可以看我的其他博客。

这里有一些需要理解的,就是一个节点到根节点的路径正是一个(或多个)模式串的前缀。

下文也把节点 \(x\) 到根节点的路径上的字符串称为状态 \(x\)

失配指针

首先要明确一点:这里的“指针”并不是 C++ 中真正的“指针类型”,只是一个形象化的称号。

AC 自动机通过失配指针(下文称为 \(\text{fail}\) 指针)来辅助多模式串的匹配。

与 KMP 的 \(\text{next}\) 失配指针关系

  • 相同点:两者同样是在失配的时候用于跳转的指针。
  • 不同点:\(\text{next}\) 求的是最长的相同前后缀;而 \(\text{fail}\) 指针指向所有模式串的前缀中与当前节点“匹配”的“最长后缀”。

等等!这个“匹配”和这个“最长后缀”都是些什么东西?

先解释一下 \(\text{fail}\) 指针吧。

如果状态 \(x\)\(\text{fail}\) 值是状态 \(y\),要求是:\(y\)\(x\) 的最长后缀。

用人话说,就是:

先规定从节点 \(x\) 到根节点路径上形成的字符串为 \(\text{sub}(x)\);这个字符串中,第一个是根节点,最后一个是 \(x\) 节点上的字母。

如果 \(\text{sub}(y)\) 正好是 \(\text{sub}(x)\) 的后缀,并且不存在任意一个 \(\text{sub}(y')\) 的长度大于 \(\text{sub}(y)\) 的长度。

那么 \(\text{fail}(x)=y\)

举个例子:

如果以 i,he,his,she,hers 这些单词构建 \(\text{fail}\) 指针:

假设紫圈是 \(3\) 号节点,红圈是 \(7\) 号节点,那么 \(\text{fail}[3]=7\)

因为 she 的最长后缀(整棵 Trie 中)是 he

如果你看到这里,还是看不懂与KMP的区别,不要紧;你只需知道 AC 自动机的失配指针指向当前状态的最长后缀状态即可。

有一点提一下,AC 自动机在做匹配时,同一位上可匹配多个模式串。

构建 \(\text{fail}\) 指针

构建 \(\text{fail}\),可以参考 KMP 中构建 \(\text{next}\) 的思想。

假设字典树中当前节点为 \(u\),父节点为 \(fa\),并且 \(\text{sub}(u)=\text{sub}(fa)+c\)(记为 \(\text{trie}[fa,c]=u\))我们考虑深度比 \(u\) 小的节点的 \(\text{fail}\) 都已得到。

  1. 如果 \(\text{trie}[\text{fail}[fa],c]\) 存在,则 \(\text{fail}[u]=\text{trie}[\text{fail}[fa],c]\)。相当于分别在 \(fa\)\(\text{fail}[fa]\) 下面加了一个字符 \(c\),分别对应 \(u\)\(\text{fail}[u]\)
  2. 如果 \(\text{trie}[\text{fail}[fa],c]\) 不存在,则继续寻找 \(\text{trie}[\text{fail}[\text{fail}[fa]],c]\)。重复 1 的判断,一直跳到根节点。
  3. 一直跳到了根节点都没有,那就让 \(\text{fail}[u]\) 指向根节点。

通过以上过程就可以完成 \(\text{fail}\) 的构建。

代码实现构建 \(\text{fail}\) 指针

尽管网上有许多实现方式,这里我们来看一下 OI-wiki 上的一种实现。

code

void build() {
  for (int i = 0; i < 26; i++)
    if (tr[0][i]) q.push(tr[0][i]);
  while (q.size()) {
    int u = q.front();
    q.pop();
    for (int i = 0; i < 26; i++) {
      if (tr[u][i])
        fail[tr[u][i]] = tr[fail[u]][i], q.push(tr[u][i]);
      else
        tr[u][i] = tr[fail[u]][i];
    }
  }
}

这里的 tr[u,c] 有两种理解方式:

  1. 字典树上的一条边,即 \(\text{trie}[u,c]\)
  2. 状态(节点) \(u\) 后加一个字符 \(c\) 到达的新节点(状态)。

这里采用第 2 种方式讲解。

先讲一下这两行为什么这么写:

for (int i = 0; i < 26; i++)
    if (tr[0][i]) q.push(tr[0][i]);

我们为什么是把根节点的儿子入队,而非直接把根节点入队呢?

试想一下,如果将根节点入队,那么第一次 bfs 的时候根节点儿子的 \(\text{fail}\) 指针就会指向自己。

常规 bfs 这里就不提及了,主要讲一下 for 循环中的 ifelse 的“神仙实现”。

for 循环为什么这么写?——“神仙操作”,路径压缩

先解释一下代码最基础的意思:

  1. 如果 tr[u][i] 存在,我们就将 tr[u][i]\(\text{fail}\) 指针赋值为 tr[fail[u]][i]
  2. 否则,令 tr[u][i] 指向 tr[fail[u]][i]

操作 1 貌似和上文讲的不太一样啊?——

根据上文,不应该是用 while 循环不停地跳、跳、跳 \(\text{fail}\) 指针,直到存在字符 i 对应的节点后再赋值吗?而且 else 里的操作直接改变了树的结构了呀?!!

其实这里做了一点“神仙处理”。

这个处理就是通过 else 改变字典树的结构。但值得注意的是,尽管我们将一个不存在的节点添加了一些指向关系,但是节点所代表的的字符串还是不变的。

由于 tr[S][c] 表示在 \(S\) 后增加一个字符 \(c\) 得到新字符串 \(S'\),这里要考虑 \(S'\) 是否存在。

  • 存在,说明有某个模式串的前缀为 \(S'\)
  • 不存在,让 tr[S][c] 指向 tr[fail[S]][c]。这是因为 fail[S] 对应的字符串是 \(S\) 的后缀,那么 tr[fail[S]][c] 对应的字符串也就是 \(S'\) 的后缀。

但为什么可以这么写?

在 Trie 树上跳的时候,是从 \(S\) 跳到了 \(S'\);但是在 AC 自动机上,是从 \(S\) 跳到了 \(S'\) 的后缀。——因为 AC 自动机本质上是为了匹配,舍弃掉前面一些前缀也是可以匹配的,所以这里没有问题。

溯回本源,我们这个 Build() 说到底是在构建 \(\text{fail}\),现在我们来考虑一下 \(\text{fail}\) 是否也满足“舍弃前缀依然可匹配”这一推论。

显然可以,一旦文本串匹配 \(S\),自然能匹配 \(S\) 的后缀。所谓的 \(\text{fail}\) 指针其实是 \(S\) 的一个后缀集合。

什么?还是看不懂?其实还有一种简单粗暴的理解方式。

简单粗暴的理解

如果在位置 \(x\) 失配,我们跳到 \(\text{fail}[x]\)。因此有的时候需要跳、跳、跳很多次才能来到下一个匹配的位置。

所以我们可以用 tr 数组直接记录下一个能匹配的位置,以省时间。

本质上,与并查集路径压缩一样,这其实就是一种路径压缩。

“神仙操作”的好处

通过这种修改过后,匹配转移更加的完善,同时将 \(\text{fail}\) 指针跳转路径做了压缩。

这里本来想放图的,但是画出来很乱,不美观,所以建议去 OI-wiki 上看 gif(虽然也很乱,但起码比作者画得好)。

多模式匹配

代码实现

code

int query(char *t) {
  int u = 0, res = 0, len = strlen(t + 1);
  for (int i = 1; i <= len; i++) {
    u = tr[u][t[i] - 'a'];  // 转移
    for (int j = u; j && e[j] != -1; j = fail[j]) {
      res += e[j], e[j] = -1;
    }
  }
  return res;
}

\(u\) 表示当前匹配到的节点,res 表示答案,e[j] 表示节点存储的信息(根据题目变化)。

循环遍历匹配串,\(u\) 则不断跟踪字符,利用 \(\text{fail}\) 指针找出所有匹配的模式串,累加到 res,然后标记已访问。

优化代码效率

这里可不是卡常,而是算法上的优化。

首先,大家可以去做一下 这道题

发现会 T。这是因为在 AC 自动机中,每次匹配都会向 \(\text{fail}\) 边跳来找到所有的匹配。这样效率极低,即是路径压缩也没用。

考虑一下 \(\text{fail}\) 的性质:

一个 AC 自动机中,如果值保留 \(\text{fail}\) 边,剩余的图一定是一棵树。

这个很显然,因为 \(\text{fail}\) 不会成环,且深度一定比现在低。

AC 自动机的匹配就可以转化成在 \(\text{fail}\) 树上的链求和问题了。

这里介绍拓扑排序。

拓扑排序优化建图

原来时间都浪费在“跳 \(\text{fail}\)”上了。如果预先记录,最后一并求和,那么效率就会被优化。

代码实现中,不需要真正的建图,记录入度就可以了。

查询操作也只需要给找到的节点的 ans 打标记,最后拓扑排序求答案就好了。

建图实现

code

void getfail()  // 实际上也可以叫 build
{
  for (int i = 0; i < 26; i++) trie[0].son[i] = 1;
  q.push(1);
  trie[1].fail = 0;
  while (!q.empty()) {
    int u = q.front();
    q.pop();
    int Fail = trie[u].fail;
    for (int i = 0; i < 26; i++) {
      int v = trie[u].son[i];
      if (!v) {
        trie[u].son[i] = trie[Fail].son[i];
        continue;
      }
      trie[v].fail = trie[Fail].son[i];
      indeg[trie[Fail].son[i]]++;  // 修改点在这里,增加了入度记录
      q.push(v);
    }
  }
}

查询实现

void query(char *s) {
  int u = 1, len = strlen(s);
  for (int i = 0; i < len; i++) u = trie[u].son[s[i] - 'a'], trie[u].ans++;
}

void topu() {
  for (int i = 1; i <= cnt; i++)
    if (!indeg[i]) q.push(i);
  while (!q.empty()) {
    int fr = q.front();
    q.pop();
    vis[trie[fr].flag] = trie[fr].ans;
    int u = trie[fr].fail;
    trie[u].ans += trie[fr].ans;
    if (!(--indeg[u])) q.push(u);
  }
}

主函数

int main() {
  // do_something();
  scanf("%s", s);
  query(s);
  topu();
  for (int i = 1; i <= n; i++)
    cout << vis[rev[i]] << std::endl;
  // do_another_thing();
}

完整代码就不挂了,洛谷题解区有一堆。

参考文献

结尾

一节晚修写完,除了板题,其他的题还没做,作者溜去做题了。

如有侵权,联系作者解决。

希望能帮到你,Thank you!

posted @ 2024-01-16 22:24  WerChange  阅读(30)  评论(0编辑  收藏  举报