AC自动机——1 Trie树(字典树)介绍

AC自动机——1 Trie树(字典树)介绍
2013年10月15日 23:56:45
阅读数：2375

之前，我们介绍了Kmp算法，其实，他就是一种单模式匹配。当要检查一篇文章中是否有某些敏感词，这其实就是多模式匹配的问题。当然你也可以用KMP算法求出，那么它的时间复杂度为O(c*(m+n))，c：为模式串的个数。m：为模式串的长度,n:为正文的长度，那么这个复杂度就不再是线性了，我们学算法就是希望能把要解决的问题优化到极致，这不，AC自动机就派上用场了。

   其实AC自动机就是Trie树的一个活用，活用点就是灌输了kmp的思想，只是在AC自动机中，对Trie增加了一个返回的指针，相当于kmp算法中的next值。从而再次把时间复杂度优化到线性的O(N)。

 

接下来，我们先介绍一下Trie树

保存6个字符串tea,ten,to,in,inn,int的Trie树

 

Trie树的基本性质可以归纳为：

(1) 根节点不包括字符，除根节点意外每个节点只包含一个字符

(2) 从根节点到某一个节点，路径上经过的字符连接起来，为该节点对应的字符串

(3) 每个节点的所有子节点包含的字符串不相同

当然，Trie树也有一个缺点，如果系统中存在大量字符串且这些字符串基本没有公共前缀，则相应的trie树将非常消耗内存

 

 

一下，我们再看Trie树的基本实现

字母树的插入( Insert)、删除(Delete)和查找(Find)都非常简单，用一个一重循环即可，即第i次循环找到前i个字母所对应的子树，然后进行相应的操作。实现这棵字母树，我们用最常见的数组保存（静态开辟内存）即可，当然也可以开动态的指针类型（动态开辟内存）。至于结点对儿子的指向，一般有三种方法：1、列每个结点开一个字母集大小的数组，列应的下标是儿子所表示的字母，内容则是这个儿子列应在大数组上的位置，即标号（易实现，空间要求较大）2、对每个结点挂一个链表，按一定顺序记录每个儿子是谁（空间相对较小，比较费时）3、使用左儿子右兄弟表示法记录这棵树。（空间要求最小，相对费时且不容易写）

 

 

[cpp] view plain copy
 
  1. //定义节点的子节点数目 26代表26个字母  
  2. #define MAX_NUM 26  
  3.   
  4. //定义节点类型，completed意为到从根节点到此节点为一个字符串  
  5. enum NODE_TYPE  
  6. {  
  7.     COMPLETED,  
  8.     UNCOMPLETED  
  9. };  
  10.   
  11. //节点数据类型  
  12. struct Node  
  13. {  
  14.     enum NODE_TYPE type;  
  15.     char ch;  
  16.     struct Node* child[MAX_NUM];  
  17. }  
  18.   
  19. struct Node* ROOT;  
  20.   
  21. //创建新节点  
  22. struct Node* createNewNode(char ch)  
  23. {  
  24.     struct Node* new_node = (struct Node*) malloc(sizeof(struct Node));  
  25.     new_node->ch = ch;  
  26.     new_node->type = UNCOMPLETED;  
  27.       
  28.     int i;  
  29.     for(i=0; i<MAX_NUM; i++)  
  30.         new_node->child[i] = NULL;  
  31.   
  32.     return new_node;  
  33. }  
  34.   
  35. //初始化Trie树  
  36. void initialization()  
  37. {  
  38.     ROOT = createNewNode('');  
  39. }  
  40.   
  41. //  
  42. int charToindex(char ch)  
  43. {  
  44.     return ch - 'a';  
  45. }  
  46.   
  47. // 查询字符串  
  48. int find(const char chars[], int len)  
  49. {  
  50.     struct Node* ptr = ROOT;  
  51.     int i = 0;  
  52.       
  53.     while(i<len)  
  54.     {  
  55.         if(ptr->child[charToindex(chars[i])] == NULL)   
  56.              break;  
  57.         ptr = ptr->child[charToindex(chars[i])];  
  58.         i ++;  
  59.     }  
  60.   
  61.     return (i == len) && (ptr->type == COMPLETED);  
  62. }  
  63.   
  64. //插入将字符串插入Trie树  
  65. void insert(const char chars[], int len)  
  66. {  
  67.     struct Node* ptr = ROOT;  
  68.     int i;  
  69.     for(i = 0; i<len; i++)  
  70.     {  
  71.         if(ptr->child[charToindex(chars[i])] == NULL)  
  72.         {  
  73.             ptr->child[charToindex(chars[i])] == createNewNode(chars[i]);  
  74.         }  
  75.   
  76.         ptr = ptr->child[charToindex[chars[i]]];  
  77.     }  
  78.       
  79.     ptr->type = COMPLETED;  
  80. }  

Triel树应用

 

(l)字符串检索
事先将已知的些字符串（字典）的有关信自保存到trie树里，查找另外些未知字符串是否出现过或者出现频率。
举例：
1给出N个单词组成的熟词表，以及篇全用小写英文书写的文章，请你按最早出现的顺序写出所有不在熟词表中的生词。
2给出个词典，其中的单词为不良单词。单词均为小写字母。再给出段文本，文本的每行也自小写字母构成。判断文本中是否含有任何不良单词。例如，若rob是不良单词，那么文本problem含有不良单词。

(2)字符串最长公共前缀
Trie树利用多个字符串的公共前缀来节省存储空间，反之，当我们把大量字符串存储到棵trie树上时，我们可以快速得到某些字符串的公共前缀。
举例：
1给出N个小写英文字母串，以及Q个询问，即询问某两个串的最长公共前缀的长度是多少
解决方案：首先对所有的串建互其对应的字母树。此时发现，对于两个串的最长公共前缀的长度即它们所在结点的公共祖先个数，于是，问题就转化为了离线（Offline）的最近公共祖先(L—t Comon An…tor，简称LCA)问题
而最近公共祖先问题同样是个经典问题．可以用下面几种方法：
1)利用并查集(Disioint Set)，可以采用采用经典的Tarian算法，
2)求出字母树的殴拉序列（Eul er  Sequence）后，就可以转为经典的最小值查询(RanZeMinimum Querr，简称ⅫO)问题了，
（关于并查集，T arjar薄法，Ⅻ。问题，网上有很多资料。）

(3)排序
Trie树是棵多叉树，只要先序遍历整棵树，输出相应的字符串便是按字典序排序的结果。
举例：
给你N个互不相同的仅由一个单词构成的英文名，让你将它们按字典序从小到大排序输出。

(4)作为其他数据结构和算法的辅助结构
如后缀树，AC自动机等

 

同时，由于Trie树的空间复杂度是26^n级别，非常庞大，可用双数组改善

posted @ 2018-04-27 19:30  rebeca8  阅读(424)  评论(0)  编辑  收藏  举报