KMP
[学习笔记]KMP
KMP 是啥？能次吗？
先来说明以下 KMP 是用来解决什么问题的。
就是用来解决字符串匹配问题的啦 QwQ~
具体地说，我们有一个文本和一个关键词，我们想要知道这个关键词在文本中的哪些位置出现了。KMP 就是用来解决这个问题的。
KMP 在生活中的应用十分广泛，例如编辑器的查找功能：
又比如，在 某LaTeX数学公式大全 里查找某个公式。又或者，在某个地方有一个很长很长的名单，你想知道某某某在不在这个名单中……
KMP 就是用来解决这类问题的。也就是说，会给你一个文本和一个关键词，要你求关键词在文本中出现的位置（位置即关键词的第一个字符在文本中的位置）。
小提示 \(\&\) 一些定义：
- 主串：上文提到的那个“文本”，在下文中可能会用 \(s\) 表示。
- 模式串：上文提到的那个“关键词”，在下文中可能会用 \(t\) 表示。
- \(n,m\)：如无特殊说明则表示主串和模式串的长度。
- 下文中的 Code 均为 洛谷 P3375 【模板】KMP字符串匹配 的 Code，所以请时刻注意，输出的下标从 \(1\) 开始。
- 字符串下标从 \(0\) 开始。
Brute-Force 算法
顾名思义，Brute-Force 是一个很暴力的算法，也是一般初学者写字符串匹配会用且常用的算法。
其大概的过程就是枚举 \(s\) 的每个位置，以这个位置为起点截取一段长度为 \(m\) 的子串，将其与 \(t\) 比较，若相同，那么就是匹配到了。
于是我们可以快速地敲出 Brute-Force 的 Code：
for(int i=0;i<(int)s.length();i++)
{
bool flag=true;
for(int j=0;j<(int)t.length();j++)
if(s[i]!=s[j]){flag=false;break;}
if(flag==true) printf("%d\n",i+1);
}
然后我们分析它的时间复杂度，最坏情况下每次都会把内层循环执行完，也就是说，它的复杂度是 \(O(nm)\) 的，太慢了！
优化 Brute-Force
显然，对于每一个 \(s\) 上的位置，我们要判断它是否可行必须得把整个串扫一遍，这里看起来无法优化了，那么我们就尝试优化以下查找次数。
比如说我们有个主串“ABCABD...”，模式串“ABCABC”，那么我们执行以下 Brute-Force：
此时，我们需要考虑 \(s\) 的下标为 \(1,2\) 的情况吗？不需要，它们肯定不行。那么，我们怎么知道它要从哪个位置开始枚举呢？或者说，这个位置有什么特别的性质？相信细心的同学已经发现了，若在 \(i\) 失配，那么若 \(0\)~\(k\) 的子串与 \(i-k\)~\(i-1\) 的子串相同，则从 \(i-k\) 开始匹配。也就是这样：
上图中橙色是主串，下面那条是模式串，红色是失配的地方。
这样，我们就减少了匹配次数。而这，就是 KMP 算法。
nxt 数组
我们设 字符串 \(P\) 的 \(nxt_i\) 表示 \(P_0\)~\(P_i\) 中，前 \(nxt_i\) 个字符与后 \(nxt_i\) 个字符相等。[1]
仔细观察可以发现，\(0\)~\(nxt_i-1\) 其实就是第一个蓝条的部分，而 \(i-nxt_i\)~\(i-1\) 则是第二个蓝条的部分。
相信细心的你已经发现了，没错，其实 \(nxt_i\) 就相当于上文提到的那个 \(k\)。
再看上面的那张图，我们在扫描时是将模式串移动到了后面那个蓝条条的位置，也就是这样：
灰色部分是待匹配的。
再将移动对应到 \(nxt\) 数组，就能发现：若在 \(i\) 失配，就是把 \(nxt_{i-1}\) 移到 \(i\)（不要忘记下标是从 \(0\) 开始的）。所以，我们现在可以根据 \(nxt\) 数组来进行模式串的位置跳跃了。
具体实现
下面就到了最激动人心的实现环节力~
实现分两部分，一部分是求 \(nxt\) 数组，另一部分是查找。
这里先讲查找，因为求 \(nxt\) 数组是精髓，留到最后 QwQ。
查找
我们设 \(now\) 为当前在主串中的位置，而 \(pos\) 为当前在模式串中的位置。那么我们可以进行分类讨论：
如果 \(s_{now}=t_{pos}\)，那么说明这一位可以匹配，直接让 \(now+1,pos+1\)。
否则，即 \(s_{now} \not= t_{pos}\)，那么又要分两种情况讨论。如果 \(pos \not= 0\)，那么直接用上面的方法进行跳跃，即 \(pos=nxt_{pos-1}\)。那么如果 \(pos=0\) 呢？说明第一位就匹配失败了，只能让 \(now+1\)。
最后，做完上面的三个判断之后，我们还要再判断一下：如果 \(pos=m\)，那么就说明 \(0\)~\(m-1\) 每一位都可以匹配，也就是整个模式串都可以匹配，那不就匹配成功了吗？此时位置为 \(now-pos\)。那么接下来从哪里开始查找呢？\(now-pos+1\)？不，如果从 \(now-pos+1\) 开始找，那复杂度就和 Brute-Force 差不多了（如果匹配成功次数很多且模式串长度很大的话）。此时，我们其实可以认为模式串在位置 \(m\) 的地方失配了，那么因为 \(m \not =0\)，所以使用第二种跳跃方式，即 \(pos=nxt_{pos-1}\)。
根据上面的这些描述，可以写出如下代码：
for(int pos=0,now=0;now<(int)s.length();)//now当然要小于n，否则还怎么匹配？
{
if(s[now]==t[pos]) now++,pos++;//第一种情况
else if(pos!=0) pos=nxt[pos-1];//第二种情况
else now++;//第三种情况
if(pos==(int)t.length())//匹配成功
{
printf("%d\n",now-pos+1);
pos=nxt[pos-1];
}
}
我们分析它的时间复杂度，是 \(O(n+m)\) 的。（因为主串和模式串的每个位置都被扫了且仅被扫了一遍）
求 nxt 数组
这里我们用递推的方式求，也就是知道 \(nxt_0,nxt_1,\cdots,nxt_{i-1}\)，求 \(nxt_i\)。
假设我们现在已经知道了一个 \(k\)，使得模式串中 \(0\)~\(k-1\) 与 \(i-k\)~\(i-1\) 相等（是不是很熟悉？），且 \(t_k=t_i\)，也就是下面这张图：
那么，很明显 \(i=k+1\)（注意下标从 \(0\) 开始）。
这里我们插入一个定义：
- 前缀：从 \(0\) 开始截取的一段连续的区间组成的子串。
- 后缀：从末尾开始截取的一段连续的区间组成的子串。
那么为了找到这种情况，首先我们得保证 \(0\)~\(i-1\) 的子串中，它的长度为 \(k\) 的前缀与长度为 \(k\) 的后缀相等。但是这并不能保证 \(t_k=t_i\)，此时就需要缩小 \(k\)。如何缩小？得保证 \(k\) 尽量大并满足之前的性质。
但我们还是没有思路。那么……
它的长度为 \(k\) 的前缀与长度为 \(k\) 的后缀相等。
是的，这里有一个很强的性质。缩小后的 \(k_{now}\) 一定可以保证现在的长度为 \(k_{now}\) 的前后缀在原来的长度为 \(k\) 的前后缀中（因为 \(k_{now}<k\) 嘛），而长度为 \(k\) 的前后缀又是相等的，所以 \(k_{now}\) 其实就是要是长度为 \(k\) 的前缀的 \(nxt\)，即 \(nxt_k\)！
所以 \(k=nxt_{k-1}\)。
当然了，如果一直这么做直到 \(k=0\) 的话，说明 \(nxt_i=0\)。
for(int i=1;i<(int)t.length();i++)
{
int k=nxt[i-1];
while(t[k]!=t[i]&&k!=0) k=nxt[k-1];
if(t[k]==t[i]) nxt[i]=k+1;
else nxt[i]=0;
}
In the end
最后，附一下洛谷 P3375 【模板】KMP字符串匹配的完整代码：
//Luogu P3375
#include<cstdio>
#include<string>
#include<cstring>
#include<iostream>
#include<algorithm>
using namespace std;
string s,t;
int nxt[1000005];
int main()
{
cin>>s>>t;
for(int i=1;i<(int)t.length();i++)
{
int k=nxt[i-1];
while(t[k]!=t[i]&&k!=0) k=nxt[k-1];
if(t[k]==t[i]) nxt[i]=k+1;
else nxt[i]=0;
}
for(int pos=0,now=0;now<(int)s.length();)
{
if(s[now]==t[pos]) now++,pos++;
else if(pos!=0) pos=nxt[pos-1];
else now++;
if(pos==(int)t.length())
{
printf("%d\n",now-pos+1);
pos=nxt[pos-1];
}
}
for(int i=0;i<(int)t.length();i++) printf("%d ",nxt[i]);
return 0;
}
在不同的地方 nxt 数组表示的意义有所不同。 ↩︎
