强势图解AC自动机
sshwy
2018-08-13 11:20:29
# 前置技能
- [字典树](https://sshwy.gitee.io/2018/10/01/53862/)
- [KMP匹配](https://sshwy.gitee.io/2018/10/01/35921/)
# 简介
看dalao们AC自动机的Blog,大多数奆奆都会感性地说:
`AC_automation = KMP+TRIE`<!--more-->
然而在作者重蹈覆辙辗转反侧n次后才明白,这东西说了等于没说。
- AC自动机是一种**有限状态自动机**(说了等于没说),它常被用于多模式串的字符串匹配。
- 在学完AC自动机,笔者也总结出一句说了等于没说的话:
AC自动机是**以TRIE的结构为基础**,结合**KMP的思想**建立的。
# 建立AC自动机
建立一个AC自动机通常需要两个步骤:
- 基础的TRIE结构:将所有的模式串构成一棵Trie。
- KMP的思想:对Trie树上所有的结点构造失配指针。
然后就可以利用它进行多模式匹配了。
## TRIE构建
- 和trie的insert操作**一模一样**(强调!一模一样!)
- 因为我们只利用TRIE的结构,所以只需将模式串存入即可。
## 构造失配($fail$)指针
在讲构造以前,先来对比一下这里的$fail$指针与KMP中的next指针:
- 共同点-两者同样是**在失配的时候**用于跳转的指针。
- 不同点-KMP要求的是**最长相同真前后缀**,而AC自动机只需要**相同后缀**即可。
- 因为KMP只对一个模式串做匹配,而AC自动机要对多个模式串做匹配。
- 有可能$fail$指针指向的结点对应着另一个模式串,两者前缀不同。
- 也就是说,AC自动机在对匹配串做逐位匹配时,同一位上可能匹配多个模式串。
- 因此$fail$指针会在字典树上的结点来回穿梭,而不像KMP在线性结构上跳转。
下面介绍构建$fail$指针的**基础思想**:(强调!基础思想!基础!)
- 构建$fail$指针,可以参考KMP中构造next数组的**思想**。
- 我们**利用部分已经求出$fail$指针的结点**推导出当前结点的$fail$指针。具体我们用BFS实现:
- 考虑字典树中当前的节点u,u的父节点是p,p通过字符c的边指向u。
- 假设深度小于u的所有节点的$fail$指针都已求得。那么p的$fail$指针显然也已求得。
- 我们跳转到p的$fail$指针指向的结点$fail[p]$;
- 如果结点$fail[p]$通过字母$c$连接到的子结点$w$存在:
- 则让u的fail指针指向这个结点$w$($fail[u]=w$)。
- 相当于在$p$和$fail[p]$后面加一个字符$c$,就构成了$fail[u]$。
- 如果$fail[p]$通过字母$c$连接到的子结点$w$不存在:
- 那么我们继续找到$fail[fail[p]]$指针指向的结点,重复上述判断过程,一直跳$fail$指针直到根节点。
- 如果真的没有,就令$fail[u]=$根节点。
- 如此即完成了$fail$指针的构建。
下面放一张GIF帮助大家理解:
对字典树{i,he,his,she,hers}构建$fail$指针:
- 黄色结点表示当前的结点u,绿色结点表示已经BFS遍历完毕的结点,红/橙色的边表示$fail$指针。
- **2号节点的$fail$指针画错了,$fail[2]=0$.**
![AC_automation_gif_b_3.gif][1]
- 我们重点分析结点6的$fail$指针构建:
![AC_automation_6_9.png][2]
- 找到6的父节点5,5的$fail$指针指向10,然而10结点没有字母's'连出的边;
- 所以跳到10的$fail$指针指向的结点0,发现0结点有字母's'连出的边,指向7结点;
- 所以$fail[6]=7$.
另外,在构建$fail$指针的同时,我们也对TRIE中模式串的结尾构建$fail$指针。这样在匹配到结尾后能自动跳转到下一个匹配项。具体见代码实现。
# 从代码深入剖析
## 框架
```cpp
const int N=1000;
struct AC_automaton{
int tr[N][26],cnt;//TRIE
int e[N];//标记这个结点是不是字符串结尾
int fail[N];//fail指针
void insert(char * s){}//插入模式串
void build(){}//构建fail指针
int query(char *t){}//匹配函数
};
AC_automation ac;
}
```
## 字典树与字典图
- 关于`insert()`笔者不做分析,先来看`build()`:
```cpp
void build(){
queue<int>q;
memset(fail,0,sizeof(fail));
for(int i=0;i<26;i++)if(tr[0][i])q.push(tr[0][i]);//Q1
while(!q.empty()){
int k=q.front();q.pop();
for(int i=0;i<26;i++){
if(tr[k][i]){
fail[tr[k][i]]=tr[fail[k]][i];//Q2
q.push(tr[k][i]);
}
else tr[k][i]=tr[fail[k]][i];//Q3
}
}
}
```
首先声明了一个队列用于BFS,并清空$fail$数组。
这里的字典树根节点为0,我们将根节点的子节点一一入队。
- Q1-等等,为什么不将根节点入队,非要将它的子节点入队?
然后开始BFS:
- 每次取出队首的结点k。注意,结点k本身的$fail$指针已经求得,我们要求的是k的子节点们的$fail$指针。
- 然后遍历字符集(这里是0-25,对应a-z):
- 如果字符i对应的子节点存在,我们就将这个子节点的$fail$指针赋值为$fail[k]$的字符i对应的结点。
- Q2-不是应该用while循环,不停的跳$fail$指针,判断是否存在字符i对应的结点,然后赋值吗?怎么一句话就完了?
- 否则,k结点没有字符i对应的子节点,就将**$fail[k]$的字符i对应的子节点编号赋值给k**
- Q3-等等,说好的字典树呢?怎么将$fail[k]$的子节点直接赋成k的子节点去了?
**这三个Questions构成了$fail$指针构建的精髓。**
### Q1
- 若将根节点入队,则在第一次BFS的时候,会将根节点的子节点的$fail$指针标记为本身。
- 而将根节点的子节点入队,也不影响算法正确性(因为$fail$指针初始化为0)
### Q2&Q3
- Q2与Q3的代码是相辅相成的。
- 简单地来讲,我们将$fail$指针跳转的路径做了压缩(就像并查集的路径压缩),使得本来需要跳很多次$fail$指针变成跳一次。
- 而这个**路径压缩**的就是Q3的代码在做的事情**之一**。
- 我们将之前的GIF图改一下:
![AC_automation_gif_b_pro3.gif][3]
- 蓝色结点表示BFS遍历到的结点k,深蓝色、黑色的边表示执行完Q3代码连出的字典树的边。
- 可以发现,众多交错的黑色边将字典树变成了字典图。
- 图中省略了连向根节点的黑边(否则会更乱)。
- 我们重点分析一下结点5遍历时的情况:
![AC_automation_b_7.png][4]
- 显然,本来应该跳2次才能找到7号结点,但是我们通过10号结点的黑色边直接通过字母s找到了7号结点。
- 因此,Q2结合了Q3的代码,就能在$O(1)$的时间内对单个结点构造$fail$指针。
这就是build完成的两件事:构建$fail$指针和建立字典图。这个字典图也会在查询的时候起到关键作用。
## 多模式匹配
- 接下来分析匹配函数`query()`:
```cpp
int query(char *t){
int p=0,res=0;
for(int i=0;t[i];i++){
p=tr[p][t[i]-'a'];//Q
for(int j=p;j&&~e[j];j=fail[j])res+=e[j],e[j]=-1;
}
return res;
}
```
- 声明p作为字典树上当前匹配到的结点,res即返回的答案
- 循环遍历匹配串,p在字典树上跟踪当前字符。
- 利用$fail$指针找出所有匹配的模式串,累加到答案中。然后清0。
- 对$e[j]$取反的操作用来判断$e[j]$是否等于-1。
- Q-读者可能纳闷了:你这里的p一直在往字典树后面走,没有跳$fail$指针啊!这和KMP的思想不一样啊,怎么匹配得出来啊
### Answer to Q
- 还记得刚才的字典图吗?事实上你并不是一直在往后跳,而是在图上穿梭跳动。比如,刚才的字典图:
![AC_automation_b_13.png][5]
- 我们从根节点开始尝试匹配`ushersheishis`,那么p的变化将是:
![AC_automation_gif_c.gif][6]
- 红色结点表示p结点,粉色箭头表示p在字典图上的跳转,浅蓝色的边表示成功匹配的模式串,深蓝色的结点表示跳$fail$指针时的结点。
- 其中的部分跳转,我们利用的就是新构建的字典图上的边,它也满足后缀相同(sher和her),所以自动跳转到下一个位置。
- 综上,$fail$指针的意义是,在匹配串**同一个位置**失配时的跳转指针,这样就利用$fail$指针在同一位置上进行多模式匹配,匹配完了,就在字典图上自动跳转到下一位置。
## 总结
到此,你已经理解了整个AC自动机的内容。我们一句话总结AC自动机的运行原理:
**构建字典图实现自动跳转,构建失配指针实现多模式匹配。**
# 代码
```cpp
const int N=1000;
struct AC_automaton{
int tr[N][26],cnt;//TRIE
int e[N];//标记字符串结尾
int fail[N];//fail指针
void insert(char * s){//插入模式串
int p=0;
for(int i=0;s[i];i++){
int k=s[i]-'a';
if(!tr[p][k])tr[p][k]=++cnt;
p=tr[p][k];
}
e[p]++;
}
void build(){
queue<int>q;
memset(fail,0,sizeof(fail));
for(int i=0;i<26;i++)if(tr[0][i])q.push(tr[0][i]);
//首字符入队
//不直接将0入队是为了避免指向自己
while(!q.empty()){
int k=q.front();q.pop();//当前结点
for(int i=0;i<26;i++){
if(tr[k][i]){
fail[tr[k][i]]=tr[fail[k]][i];//构建当前的fail指针
q.push(tr[k][i]);//入队
}
else tr[k][i]=tr[fail[k]][i];
//匹配到空字符,则索引到父节点fail指针对应的字符,以供后续指针的构建
//类似并差集的路径压缩,把不存在的tr[k][i]全部指向tr[fail[k]][i]
//这句话在后面匹配主串的时候也能帮助跳转
}
}
}
int query(char *t){
int p=0,res=0;
for(int i=0;t[i];i++){
p=tr[p][t[i]-'a'];
for(int j=p;j&&~e[j];j=fail[j])res+=e[j],e[j]=-1;
}
return res;
}
};
AC_automation ac;
```
[1]: https://hexo-source-1257756441.cos.ap-chengdu.myqcloud.com/2018/08/2858847684.gif
[2]: https://hexo-source-1257756441.cos.ap-chengdu.myqcloud.com/2018/08/3946915055.png
[3]: https://hexo-source-1257756441.cos.ap-chengdu.myqcloud.com/2018/08/1745118561.gif
[4]: https://hexo-source-1257756441.cos.ap-chengdu.myqcloud.com/2018/08/1426947356.png
[5]: https://hexo-source-1257756441.cos.ap-chengdu.myqcloud.com/2018/08/1085042377.png
[6]: https://hexo-source-1257756441.cos.ap-chengdu.myqcloud.com/2018/08/24151497.gif