Bai 1 - String Searching

Data Structures & Algorithms
Các thuật toán đối sánh chuỗi

(String Searching)
Nguyễn Tri Tuấn

Khoa CNTT – ĐH.KHTN.Tp.HCM
Email: nttuan@ fit.hcmuns.edu.vn
String Searching
Giới thiệu
Các bước xử lý
Các cách tiếp cận
Brute-Force
Knuth-Morris-Pratt
Autumn 2008 Data Structures & Algorithms - String Searching - Nguyen Tri Tuan, DH.KHTN Tp.HCM 2
1
Giới thiệu
ªCác thuật ngữ thường dùng:
String searching
Pattern matching
String matching
Text searching
Giới thiệu (tt)

ª“Đối sánh chuỗi” là gì ?
Cho một chuỗi T và một chuỗi P, hãy xác định P có

xuất hiện trong T hay không ?
Tương tự như lệnh:

strstr(T, P) [trong C++] m
Pattern (P)
Pos(P, T) [trong Pascal]
n
Text (T)
2
Giới thiệu (tt)
ªĐối sánh chuỗi là một trong những bài toán cơ
bản và “tự nhiên” nhất của ngành Tin Học
ªCông dụng:
Chức năng search trong các trình soạn thảo văn bản
và Web browser
Các công cụ search (vd. Google)
Sinh học phân tử (tìm kiếm các mẫu trong DNA /
protein)
…
Giới thiệu (tt)

ªLịch sử phát triển:
Brute Force:
Trong trường hợp xấu nhất thời gian thực hiện tỷ lệ với m*n
Trong nhiều ứng dụng thực tế thời gian xử lý thực sự tỉ lệ với
m+n
Thích hợp với hầu hết các hệ máy tính
Trong năm 1970, S.A.Cook đã chứng minh một kết

quả lý thuyết giúp suy ra sự tồn tại của một thuật toán
để giải bài toán đối sánh mẫu, có thời gian tỷ lệ với
M+N trong trường hợp xấu nhất
3
Giới thiệu (tt)
D.E.Knuth và V.R.Pratt đã kiên trì theo đuổi kiến trúc
mà Cook đã dùng để chứng minh cho cho định lý của
ông và nhận được một thuật toán tương đối đơn giản.
Đồng thời J.H.Morris cũng khám phá ra thuật toán
này
Knuth, Morris, Pratt đã không giới thiệu thuật toán

của họ cho đến năm 1976, và trong thời gian này
R.S.Boyer và J.S.Moore đã khám phá ra một thuật
toán nhanh hơn nhiều
Giới thiệu (tt)

Trong năm 1980, R.M.Karp và M.O.Rabin đã đi đến
thuật toán đơn giản gần như thuật toán Brute Force,
có thời gian thi hành thường tỉ lệ với m+n
4
Giới thiệu (tt)
ªCác thuật toán tiêu biểu:
Brute Force
Karp-Rabin
Morris-Pratt
Knuth-Morris-Pratt
Boyer-Moore
Boyer-Moore-Horspool
Apostolico-Giancarlo
Aho-Corasick
ªCác thuật toán đối sánh chuỗi thường có 2 bước
xử lý sau:
Bước tiền xử lý (Preprocessing Phase):
Xử lý Pattern
Khởi tạo cấu trúc dữ liệu
Bước tìm kiếm (Searching Phase)

Tìm kiếm Pattern trong Text
5
ª Có 4 cách tiếp cận chính để làm tăng tốc độ thuật toán:
Classical Algorithms
Thuật toán chủ yếu dựa vào phép so sánh giữa các ký tự
Thuật toán: Quick Search, Brute Force…
Suffix Automata Algorithms
Sử dụng Suffix Automaton Data Structure để nhận ra tất cả các
hậu tố của Pattern
Thuật toán: Knuth – Morris – Pratt…
Bit-Parallelism Algorithms
Khai thác bản chất song song của các dữ liệu bit để thực hiện các
thao tác cùng lúc
Thuật toán: Shift-Or…
Hashing Algorithms
Sử dụng kỹ thuật băm, tránh việc so sánh các ký tự có độ phức tạp
bậc 2
Thuật toán: Karp-Rabin
Độ phức tạp
ªĐộ phức tạp của thuật toán phụ thuộc vào 3 yếu
tố sau:
Chiều dài của Pattern
Chiều dài của Text
Độ lớn của tập các ký tự: Binary, DNA, Alphabets…
6
String Searching
Giới thiệu
Brute-Force
Knuth-Morris-Pratt
Brute-Force
ªÝ tưởng:
Đối với vị trí thứ i của văn bản T (i=0…n-m), ta so sánh
các ký tự của P tương ứng từ trái sang phải:
P[0] với T[i], P[1] với T[i+1],…, P[m-1] với T[i+m-1]
P[j] với T[i+j] (j = 0..m-1)
ªVí dụ:
T = “TWO RED ROADS CROSSING”
n = length(T) = 22
P = “ROADS”
m = length(P) = 5
7
Brute-Force (tt)
ªVí dụ:
Bước 1: TWO RED ROADS CROSSING
ROADS
ROADS
…
ROADS
…
ROADS
Brute-Force (tt)
ªCài đặt bằng C:
int stringSearchBF (char *P, char *T);
Kết quả:
-1 : nếu P không nằm trong T, hoặc
>=0: vị trí của P trong T
8
Brute-Force (tt)
int stringSearchBF(char *P, char *T)

{
for (int i=0; i<=strlen(T)-strlen(P); i++)
{
int j = 0;
while (j < strlen(P))
if (T[i+j]==P[j]) j++;
else break;
if(j==strlen(P)) return i; // tìm thấy
}
return -1 ; // không tìm thấy
}
Brute-Force (tt)
ªĐánh giá:
Trường hợp xấu nhất O(m*n) – tự chứng minh
9
Brute-Force (tt)
ªĐánh giá:
Trường hợp tốt nhất O(n) – tự chứng minh
Trường hợp trung bình O(n+m) – tự chứng minh

String Searching
Giới thiệu
Brute-Force
Knuth-Morris-Pratt
10
Đặt vấn đề
ª Trong thuật toán Brute-Force: khi xảy ra không so khớp
tại một ký tự, ta đã xóa bỏ tất cả thông tin có được bởi
các phép so sánh trước đó và bắt đầu lại việc so sánh từ
ký tự đầu tiên của mẫu P [i=i+1; j=0]
ª Ví dụ:
T = 101010100111; P = 10100
101010100111
10100 (không so khớp tại i=0, j=4)
101010100111
10100 (Brute-Force: bắt đầu lại từ i=1; j=0)
Dịch chuyển i và j ra sao cho có lợi ?
101010100111
10100 (bắt đầu lại từ i=2; j=2)
Morris-Pratt
ªHướng giải quyết của Morris-Pratt:
Lợi dụng thông tin đã biết về các ký tự đã so sánh
Biến j thể hiện số ký tự đã được so khớp giữa mẫu

(P) và văn bản (T). Khi gặp vị trí không so khớp, thay
vì gán j = 0 để quay lại từ đầu chuỗi P, ta sẽ gán cho
j một giá trị thích hợp
11
Morris-Pratt (tt)
// Tư tưởng chính của thuật toán Morris-Pratt
// giai đoạn tìm kiếm
i = j = 0;
while (i+j < n) {
if (p[j]==t[i+j]) {
j++;
// khi đã đi hết độ dài của chuỗi P
// à đã tìm được P à trả về vị trí tìm được
if (j==m) return i;
}
else {
// khi không so khớp, dịch chuyển về vị
// trí NEXT[j]
i = i + j – NEXT[j];
if (j > 0) j = NEXT[j];
}
return -1; // không tìm thấy
Morris-Pratt (tt)
ªGiai đoạn tiền xử lý – xây dựng bảng NEXT
Xây dựng mảng NEXT[0..m-1] (có m phần tử)
NEXT[j] chứa giá trị dùng để dịch chuyển con trỏ j khi
xảy ra sự không khớp tại vị trí j
12
Morris-Pratt (tt)
ª Ví dụ:
T = AATAAAATA
P = AAATA
0 1 2 3 4
NEXT -1 0 1 2 0
i=0 AATAAAATA
j=0 AAATA
i=0 AATAAAATA
j=1 AAATA
i=0 AATAAAATA
j=2 AAATA (không so khớp à i=i+j–NEXT[2]=1
j=NEXT[2]=1)
Morris-Pratt (tt)
ª Ví dụ:
i=1 AATAAAATA
j=NEXT[1]=0)
i=2 AATAAAATA
j=0)
i=3 AATAAAATA
j=0 AAATA (tiếp tục…)
i=3 AATAAAATA
j=3 AAATA
(không so khớp à i=i+j–NEXT[3]=4
j=NEXT[3]=2)
i=4 AATAAAATA
j=2 AAATA (tiếp tục…)
i=4 AATAAAATA
j=4 AAATA
à so khớp !
13
Morris-Pratt (tt)
ª Xét trạng thái không so khớp tại vị trí thứ j trên mẫu P
Phần đã so khớp (u), từ P[0] đến P[0..j-1]
Nếu tồn tại v = đoạn so khớp giữa phần đầu P với
phần cuối của P[0..j-1]
à v là đoạn dịch chuyển của j
Morris-Pratt (tt)
ªCách xây dựng bảng NEXT:
NEXT[0] = -1
Với j>0, giá trị của NEXT[j] là số k lớn nhất nhỏ hơn j
sao cho k ký tự đầu tiên của mẫu P khớp với k ký tự
cuối của P[0..j-1]
Ví dụ: P = AAATA
NEXT[1] = 0 A
(j=1)
NEXT[2] = 1 A A
(j=2) A A
14
Morris-Pratt (tt)
NEXT[3] = 2
A A A
A A A
NEXT[4] = 0
A A A T
A A A T
0 1 2 3 4
NEXT -1 0 1 2 0
Morris-Pratt (tt)
// Hàm tạo lập bảng NEXT (Morris-Pratt)
void initNEXT_MP(char *p, int NEXT[]) {
int i, j;
int m = strlen(p);
i = 0;
j = NEXT[0] = -1;
while (i < m) {
if (j == -1 || p[i] == p[j]) {
i++; j++;
NEXT[i] = j;
}
else j = NEXT[j];
}
}
15
Morris-Pratt (tt)
ª Cài đặt bằng C:
// Thuật toán đối sánh Morris-Pratt
// Kết quả:
// -1 : nếu P không nằm trong T, hoặc
// >=0 : vị trí của P trong T
int stringSearchMP (char *P,char *T) {
int n = strlen(T);
int m = strlen(P);
int *NEXT = new int[m];
// Tiền xử lý - Tạo lập bảng NEXT

initNEXT_MP(p, NEXT);
// Thực hiện tỉm kiếm

… (xem slide #23)
}
Morris-Pratt (tt)
ªVí dụ:
Xây dựng bảng NEXT cho P = 10100
Xây dựng bảng NEXT cho P = ABACAB
Xây dựng bảng NEXT cho P = GCAGAGAG
Xây dựng bảng NEXT cho P = AABAABA
16
Morris-Pratt (tt)
P = 10100 0 1 2 3 4
NEXT -1 0 0 1 2
P = ABACAB 0 1 2 3 4 5
NEXT -1 0 0 1 0 1
P = GCAGAGAG 0 1 2 3 4 5 6 7
NEXT -1 0 0 0 1 0 1 0
Morris-Pratt (tt)
ªĐộ phức tạp:
Giai đoạn tiền xử lý: O(m) (tính NEXT)
Giai đoạn tìm kiếm: O(n)
Tổng: O(n+m)
Số phép so sánh lớn nhất của một ký tự <= m
17
Knuth-Morris-Pratt
ªCải tiến của KMP so với Morris-Pratt

Khi xây dựng bảng NEXT, Knuth bổ sung kiểm tra
điều kiện c ≠ a để tránh trường hợp “mis-match” ngay
vị trí đầu tiên sau khi dịch chuyển j
Giải thích: nếu a == c, tức là c ≠ b (vì a ≠ b) à sẽ “mis-
match” ngay lần so sánh đầu tiên sau khi dịch chuyển j
Knuth-Morris-Pratt (tt)
ªTóm lại: thuật toán KMP
Giai đoạn tiền xử lý có một cải tiến nhỏ:

Tính độ dịch chuyển tốt hơn à tránh so sánh cùng một ký tự
trong T hai lần
Giai đoạn tìm kiếm: hoàn toàn giống thuật toán

Morris-Pratt
18
// Hàm tạo lập bảng NEXT (KMP)
void initNEXT_KMP(char *p, int NEXT[]) {
int i, j;
int m = strlen(p);
i = 0;
j = NEXT[0] = -1;
while (i < m) {
if (j == -1 || p[i] == p[j]) {
i++; j++;
if (p[i] != p[j]) NEXT[i] = j;
else NEXT[i] = NEXT[j];
}
else j = NEXT[j];
}
}
ªĐộ phức tạp:
Giai đoạn tiền xử lý: O(m) (tính NEXT)
Giai đoạn tìm kiếm: O(n)
Tổng: O(n+m)
Số phép so sánh lớn nhất của một ký tự <= logam
1+√5
với a =
2
19
Thank you
for your attention
Q&A
20

Bai 1 - String Searching

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Bai 1 - String Searching

Uploaded by

Copyright:

Available Formats

Data Structures & Algorithms

Các thuật toán đối sánh chuỗi

Nguyễn Tri Tuấn

Các cách tiếp cận

Giới thiệu (tt)

Cho một chuỗi T và một chuỗi P, hãy xác định P có

Tương tự như lệnh:

Giới thiệu (tt)

Trong năm 1970, S.A.Cook đã chứng minh một kết

Knuth, Morris, Pratt đã không giới thiệu thuật toán

Giới thiệu (tt)

Bước tìm kiếm (Searching Phase)

Chiều dài của Pattern

Chiều dài của Text

Độ lớn của tập các ký tự: Binary, DNA, Alphabets…

Các cách tiếp cận

int stringSearchBF (char *P, char *T);

-1 : nếu P không nằm trong T, hoặc

>=0: vị trí của P trong T

int stringSearchBF(char *P, char *T)

Trường hợp trung bình O(n+m) – tự chứng minh

Các cách tiếp cận

Dịch chuyển i và j ra sao cho có lợi ?

Lợi dụng thông tin đã biết về các ký tự đã so sánh

Biến j thể hiện số ký tự đã được so khớp giữa mẫu

Xây dựng mảng NEXT[0..m-1] (có m phần tử)

// Tiền xử lý - Tạo lập bảng NEXT

// Thực hiện tỉm kiếm

Xây dựng bảng NEXT cho P = ABACAB

Xây dựng bảng NEXT cho P = GCAGAGAG

Xây dựng bảng NEXT cho P = AABAABA

ªCải tiến của KMP so với Morris-Pratt

Giai đoạn tiền xử lý có một cải tiến nhỏ:

Giai đoạn tìm kiếm: hoàn toàn giống thuật toán

You might also like

int stringSearchBF (char P, char T);

int stringSearchBF(char P, char T)