LeetCode经典算法精解-字符串编辑距离

  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:

  •         修改一个字符(如把"a"替换为"b");
  •         增加一个字符(如把"abdd"变为"aebdd");
  •         删除一个字符(如把"travelling"变为"traveling");

    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:

  1. sitten (k→s)

  2. sittin (e→i)

  3. 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。

 

方法1:递归法,时间复杂度O(log(max(M,N)*M*N)

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):

  1. 当 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
  2. 当 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 + 1
    • d[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 + 1
    • d[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:

  1. 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 i
  2. a[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 j
int 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:

  1. 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)。

  2. str1+char1可以直接转变成str2。这时我们处理的方式是插入char2。

  3. 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

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<

 

根据具体问题优化空间复杂度

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

LeetCode经典算法精解-字符串编辑距离_第1张图片

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

LeetCode经典算法精解-字符串编辑距离_第2张图片

你可能感兴趣的:(***算法与编程艺术***)