字符串的编辑距离也被称为距Levenshtein距离(Levenshtein Distance),属于经典算法,常用方法使用递归,更好的方法是使用动态规划算法,以避免出现重叠子问题的反复计算,减少系统开销。
《编程之美》一书中3.3节中计算两个字符串的相似度,归根到底也是要求两个字符串的距离,其中问题是这样提出的:
许多程序会大量使用字符串。对于不同的字符串,我们希望能够有办法判断其相似程序。我们定义一套操作方法来把两个不相同的字符串变得相同,具体的操作方法为:
比如,对于"abcdefg"和"abcdef"两个字符串来说,我们认为可以通过增加/减少一个"g"的方式来达到目的。上面的两种方案,都仅需要一 次 。把这个操作所需要的次数定义为两个字符串的距离,而相似度等于"距离+1"的倒数。也就是说,"abcdefg"和"abcdef"的距离为1,相似度 为1/2=0.5。给定任意两个字符串,你是否能写出一个算法来计算它们的相似度呢?
其实这个问题的关键是要求两个字符串的编辑距离。
例如 将kitten一字转成sitting:
sitten (k→s)
sittin (e→i)
sitting (→g)
俄罗斯科学家Vladimir Levenshtein在1965年提出这个概念。
问题:找出字符串的编辑距离,即把一个字符串s1最少经过多少步操作变成编程字符串s2,操作有三种,添加一个字符,删除一个字符,修改一个字符。
假设字符串 a, 共 m 位,从 a[1]
到 a[m]
字符串 b, 共 n 位,从 b[1]
到 b[n]
d[i][j]
表示字符串 a[1]-a[i]
转换为 b[1]-b[j]
的编辑距离
那么有如下递归规律(a[i]
和 b[j]
分别是字符串 a 和 b 的最后一位):
a[i]
等于 b[j]
时,d[i][j] = d[i-1][j-1]
, 比如 fxy -> fay 的编辑距离等于 fx -> fa 的编辑距离a[i]
不等于 b[j]
时,d[i][j]
等于如下 3 项的最小值:
d[i-1][j]
+ 1(删除 a[i]
), 比如 fxy -> fab 的编辑距离 = fx -> fab 的编辑距离 + 1d[i][j-1]
+ 1(插入 b[j]
), 比如 fxy -> fab 的编辑距离 = fxyb -> fab 的编辑距离 + 1 = fxy -> fa 的编辑距离 + 1d[i-1][j-1]
+ 1(将 a[i]
替换为 b[j]
), 比如 fxy -> fab 的编辑距离 = fxb -> fab 的编辑距离 + 1 = fx -> fa 的编辑距离 + 1递归边界:
a[i][0] = i
, b 字符串为空,表示将 a[1]-a[i]
全部删除,所以编辑距离为 ia[0][j] = j
, a 字符串为空,表示 a 插入 b[1]-b[j]
,所以编辑距离为 jint edit_distance(char *a, char *b, int i, int j)
{
if (j == 0) {
return i;
} else if (i == 0) {
return j;
// 算法中 a, b 字符串下标从 1 开始,c 语言从 0 开始,所以 -1
} else if (a[i-1] == b[j-1]) {
return edit_distance(a, b, i - 1, j - 1);
} else {
return min_of_three(edit_distance(a, b, i - 1, j) + 1,
edit_distance(a, b, i, j - 1) + 1,
edit_distance(a, b, i - 1, j - 1) + 1);
}
}
edit_distance(stra, strb, strlen(stra), strlen(strb));
但是有个严重的问题,就是代码的性能很低下,时间复杂度是指数增长的
上面的代码中,很多相同的子问题其实是经过了多次求解,解决这类问题的办法是用动态规划
下面我们就针对这个问题来详细阐述一下:
我们假定函数dist(str1, str2)表示字串str1转变到字串str2的编辑距离,那么对于下面3种极端情况,我们很容易给出解答(0表示空串)。
dist(0, 0) = 0
dist(0, s) = strlen(s)
dist(s, 0) = strlen(s)
对于一般的情况,dist(str1, str2)我们应该如何求解呢?
假定我们现在正在求解dist(str1+char1, str2+char2),也就是把"str1+char1"转变成"str2+char2"。在这个转变过称中,我们要分情况讨论:
str1可以直接转变成str2。这时我们只要把char1转成char2就可以了(如果char1 != char2)。
str1+char1可以直接转变成str2。这时我们处理的方式是插入char2。
str1可以直接转成str2+char2。这时的情况是我们需要删除char1。
综合上面三种情况,dist(str1+char1, str2+char2)应该是三者的最小值。
解析:
首先定义这样一个函数——edit(i, j),它表示第一个字符串的长度为i的子串到第二个字符串的长度为j的子串的编辑距离。
显然可以有如下动态规划公式:
if i == 0 且 j == 0,edit(i, j) = 0
if i == 0 且 j > 0,edit(i, j) = j
if i > 0 且j == 0,edit(i, j) = i
if i ≥ 1 且 j ≥ 1 ,edit(i, j) == min{ edit(i-1, j) + 1, edit(i, j-1) + 1, edit(i-1, j-1) + f(i, j) },当第一个字符串的第i个字符不等于第二个字符串的第j个字符时,f(i, j) = 1;否则,f(i, j) = 0。
我们建立以下表格,将两个字符串按照表格1所示的样子进行摆放,规则按照以上公式进行输入,如下所示,我们可以得到每个表格中的值,如下表格2所示:
0 |
a |
b |
c |
d |
e |
f |
|
0 |
|
|
|
|
|
|
|
a |
|
|
|
|
|
|
|
c |
|
|
|
|
|
|
|
e |
|
|
|
|
|
|
|
表格1(字符串摆放表格)
0 |
a |
b |
c |
d |
e |
f |
|
0 |
0 |
1 |
2 |
3 |
4 |
5 |
6 |
a |
1 |
|
|
|
|
|
|
c |
2 |
|
|
|
|
|
|
e |
3 |
|
|
|
|
|
|
表格2(按照规则计算i==0 或 j==0的情况)
计算edit(1, 1),edit(0, 1) + 1 == 2,edit(1, 0) + 1 == 2,edit(0, 0) + f(1, 1) == 0 + 1 == 1,min(edit(0, 1),edit(1, 0),edit(0, 0) + f(1, 1))==1,因此edit(1, 1) == 1。依次类推,有如下表格3所示最终的矩阵:
0 |
a |
b |
c |
d |
e |
f |
|
0 |
0 |
1 |
2 |
3 |
4 |
5 |
6 |
a |
1 |
0 |
1 |
2 |
3 |
4 |
5 |
c |
2 |
1 |
1 |
1 |
2 |
3 |
4 |
e |
3 |
2 |
2 |
2 |
2 |
2 |
3 |
表格3(最终计算得到的字符串相对距离)
此时右下角即为我们所需要的两个字符串的编辑距离。即字符串 "abcdef"和"ace"的编辑距离为3.
有了以上的步骤,相信大家已经很清楚了,使用动态规划算法的时候,需要建立子问题的表格,以上的表格就是。而且我们能够很容易的使用二维数组建立。代码实现也就易如反掌了!
以下是我的实现过程,希望对大家有用,如果有什么可以优化或者错误的地方,希望能够得到批评指正。
1 #include
2 #include
3
4 using namespace std;
5
6 int min3Value(int a, int b, int c)
7 {
8 int tmp = (a <= b? a:b);
9 return (tmp<=c? tmp: c);
10 }
11
12
13 int Get2StringEditDis(string strA, string strB)
14 {
15 int nLenA = strA.length();
16 int nLenB = strB.length();
17 int **matrix = new int *[nLenA + 1];
18 for (int i = 0; i != nLenA +1; i++)
19 {
20 matrix[i] = new int[nLenB + 1];
21 }
22 // 动态规划 计算
23 // 初始化数组
24 matrix[0][0] = 0;
25 int p,q;
26 // j = 0; edit(i, j) = i
27 for (p = 1; p!= nLenA+1; p++)
28 {
29 matrix[p][0] = p;
30 }
31 // i = 0; edit(i,j) = j
32 for (q=1; q != nLenB+1; q++)
33 {
34 matrix[0][q] = q;
35 }
36 // i>0, j>0
37 for (int j = 1; j != nLenA+1; j++)
38 {
39 for (int k = 1; k != nLenB+1; k++)
40 {
41 int Fjk = 0;
42 if (strA[j-1] != strB[k-1])
43 {
44 Fjk = 1;
45 }
46 matrix[j][k] = min3Value(matrix[j-1][k]+1,matrix[j][k-1]+1,matrix[j-1][k-1]+Fjk);
47 }
48 }
49
50
51
52
53 // 输出距离矩阵
54 // 第一行输出字符串b
55 // 第一列输出字符串A
56 cout<<"*****************************"<0)
73 {
74 cout< 0)
77 {
78 cout<
还是以 a = "fxy", b = "fab" 为例,例如计算 d[1][3]
, 也就是下图中的绿色方块, 我们需要知道的值只需 3 个,下图中蓝色方块的值
进一步分析,我们知道,当计算 d[1]
这行的时候,我们只需知道 d[0]
这行的值, 同理我们计算当前行的时候只需知道上一行就可以了
再进一步分析,其实我们只需要一行就可以了,每次计算的时候我们需要的 3 个值, 其中上边和左边的值我们可以直接得到,坐上角的值需要临时变量(如下代码使用 old)来记录
代码如下:
int edit_distance(char *a, char *b)
{
int lena = strlen(a);
int lenb = strlen(b);
int d[lenb+1];
int i, j, old, tnmp;
for (j = 0; j <= lenb; j++) {
d[j] = j;
}
for (i = 1; i <= lena; i++) {
old = i - 1;
d[0] = i;
for (j = 1; j <= lenb; j++) {
temp = d[j];
// 算法中 a, b 字符串下标从 1 开始,c 语言从 0 开始,所以 -1
if (a[i-1] == b[j-1]) {
d[j] = old;
} else {
d[j] = min_of_three(d[j] + 1, d[j-1] + 1, old + 1);
}
old = temp;
}
}
return d[lenb];
}
写代码的过程中需要注意的一点就是,当一行计算好之后开始下一行的时候, 要初始化 old
和 d[0]
的值
优化过后时间复杂度还是 O(mn), 空间复杂度降低了,以上代码是 O(n), 其实很简单可以写成 O(min(m,n)), 为了便于理解,就不具体写了