作为菜鸡 OIer,本文尽量用通俗的语言去讲解后缀自动机。
当然学习后缀自动机前是有一点点前置知识的,我一块给说了。

有限状态自动机(DFA

定义

确定优先状态自动机 $\mathcal{A}$ 是由:

  • 一个非空有限的状态集合 $Q$
  • 一个输入字母表$\Sigma$ (非空有限的字符集合)
  • 一个转移函数 $\delta :Q\times \Sigma \rightarrow Q$(例如:$\delta \left(q,\sigma \right)=p,\left(p,q\in Q,\sigma \in \Sigma \right)$)
  • 一个开始状态$s\in Q$
  • 一个接受状态的集合$F\subseteq Q$
    所组成的5-元组,可写成形式 $\mathcal{A} = (Q,\Sigma,\delta,s,F)$

工作方式

确定有限状态自动机从起始状态开始,一个字符接一个字符地读入一个字符串 $w\in \Sigma ^{ * }$(这里的$*$指示Kleene星号算子。),并根据给定的转移函数一步一步地转移至下一个状态。在读完该字符串后,如果该自动机停在一个属于F的接受状态,那么它就接受该字符串,反之则拒绝该字符串。
(以上摘自Wiki)

后缀自动机(SAM)

定义

字符串 $s$ 的后缀自动机是一个接受字符串所有后缀的最小 DFA。(实际上显然可以看出它接受所有 $s$ 的子串)
相信有了上面的铺垫大家定义都懂了,接下来我们学习如何构造 SAM

构造

如果不需要保证是最小 DFA,我们直接把所有后缀插入 trie 就可以了。但是我们实际上是有一个线性构造出 SAM 的方法的。为了介绍这个方法,我们需要引入一些定义。
定义 1:对于一个子串 $p$,我们将其在原串中所有结束位置构成的集合称之为 $endpos(p)$。例如 $s = abbab$,$endpos(ab) = \{2,5\}$

引理 1.1: 如果两个子串的 $endpos$ 相同,那么一个一定是另一个的后缀

证明是显然的。设这两个字符串为 $p,q$,令$|p| \leq |q|$,那么命题不成立时,两个子串在后 $|p|]$ 位上一定有一位不同,但是因为 endpos 相同,那么后 $len_p$ 一定都相同,自己画个图就明白了。

引理 1.2: 对于任意两个子串 $p,q$,令 $|p| \leq |q|$,要么 $endpos(q) \subseteq endpos(p)$,要么 $endpos(p) \cap endpos(q) = \emptyset$

如果 $p$ 是 $q$ 的后缀,那么每次 $q$ 出现一定伴随着 $p$ 出现,所以 $endpos(q) \subseteq endpos(p)$,否则交集一定为空(交集不为空表示存在一个位置他们同时出现,即 $p$ 是 $q$ 后缀)

引理 1.3: 对于 $endpos$ 相同的子串我们将其归为一个 $endpos$ 等价类,将字符串按照长度从大到小排序,则一个字符串总是比它上一个字符串的长度少 $1$,且是上一个的后缀

连续运用引理 1.1 即可。

引理 1.4: $endpos$ 等价类的大小为 $O(n)$

对于一个类,根据引理1.3,我们找到最长的一个子串 $p$,在前面添加一个字符(满足新字符串是原串子串),得到的字符串$q$一定不属于此类,并且由于 $p$ 是新串的后缀,一定有 $endpos(q) \subseteq endpos(p)$,并且添加两个不同的字符,它们的 $endpos$ 也不会有交。所以我们认为向前加入一个字符就是对 $endpos$ 进行分割。所以我们可以按照分割结构建出一个树,可以称为 parents数(fail 树)。
例:testtest

引理 1.5: 一个类 $a$ 中,令最长子串的长度为 $len(a)$,最短子串长度为 $minlen(a)$,令这个类的父亲为 $fa(a)$,则有 $len(fa(a))+1=minlen(a)$

显然。加上一个新字符后 $endpos$ 缩小,可能会有新的字符串加入。(想象这些字符串原来因为只是 $endpos$ 的子集而未能加入)

现在我们回顾定义:发现我们的 SAM 中的状态只需要由这些等价类来构成就好了。(因为这个可以接受且仅接受所有的子串)我们只需要合理安排一些转移边让这些状态之间可以转化,就可以构造出 SAM。
引理1.4 已经证明了 SAM 的状态数为 $O(n)$,接下来我们证边数为 $O(n)$

引理1.6 SAM 的转移边数为 $O(n)$

假设我们现在有了一个 SAM 的所有边,我们求出任意一棵生成树。
我们对于每个终止节点,考虑按照后缀自动机的边的反向跑,尝试跑出它能接受的所有串。如果这次能顺利跑回源点,那么我们尝试跑下一个子串;如果这次在中间卡掉了,那么我们链上没有的那条边继续跑回源点。这样即使增加后跑出的串不是你想要的那个,但一定是能接受的串中还没跑过的。发现每个结束状态跑的时候加入的边不会超过 $endpos$ 的大小。所以边增加后缀的的个数 $n$,即数量级为 $O(n)$

如何构造

考虑每个节点存储的信息应该有:$ch[],len,fail$。$ch[]$ 存储转移边,$len$ 存储这个等价类最长长度的大小,$fail$ 存储这个等价类在 parent 树(依个人习惯 以后将其称之为 fail 树)上的祖先。
我们的构造是一个在线算法,比较好用。
还是感觉这个东西对着程序讲比较简单。

int ch[MAXN][26],fail[MAXN],len[MAXN];

int las = 1,tot = 1;

inline void copy(int x,int y){
    FOR(i,0,25) ch[x][i] = ch[y][i];
    fail[x] = fail[y];len[x] = len[y];
}

inline void insert(int c){
    int p = las;int np = las = ++tot;
    len[np] = len[p]+1;
    while(p&&!ch[p][c]) ch[p][c] = np,p = fail[p];
    if(!p) fail[np] = 1;
    else{
        int q = ch[p][c];
        if(len[p]+1 == len[q]) fail[np] = q;
        else{
            int nq = ++tot;copy(nq,q);// split
            len[nq] = len[p]+1;
            fail[q] = fail[np] = nq;
            while(p&&ch[p][c]==q) ch[p][c] = nq,p = fail[p];
        }
    }
}
char str[MAXN];
int main(){
    scanf("%s",str+1);int n = strlen(str+1);
    FOR(i,1,n) insert(str[i]);
    return 0;
}

我们来记住下 SAM 中两类边的用途:

  1. SAM 上的边,走一步相当于在字符串后面加上字符后的最大等价类,加入字符之后需要尽量向前扩展(向前扩展的另一个解释详见引理1.5)
  2. fail 树上的边,走一步相当于找最大的$endpos$不同的后缀。
    我们开始 分 步 讲 解 insert 函数。
int p = las;int np = las = ++tot;
len[np] = len[p]+1;

$p$ 存插入前 SAM 中原串组成的等价类的点,$np$ 存插入后的。
$len$ 的转移显然。

while(p&&!chp) chp = np,p = fail[p];

这个时候 $p$ 所有后缀 并且无法通过 $c$ 字符转移的可以通过现在新加入的 $c$ 转移了,我们更新一下边。我们会找到第一个节点满足它已经有能转移加 $c$ 的边为止。

if(!p) fail[np] = 1;

一直都没有找到,说明 $c$ 没有出现过,直接更新 fail 为空串即可。

else{
    int q = chp;
    if(len[p]+1 == len[q]) fail[np] = q;

找到了这样的点,于是我们找到按照 $c$ 直接转移下去的点。
如果 $len_p+1=len_q$,说明加入 $c$ 后向前扩展失败,$q$ 的所有子串都会是 $np$ 的子串的后缀,更新 fail 即可。

else{
    int nq = ++tot;copy(nq,q);// split
    len[nq] = len[p]+1;
    fail[q] = fail[np] = nq;
    while(p&&chp==q) chp = nq,p = fail[p];
}

如果扩展出来了新的就麻烦了。我们考虑将这个点拆成两个点:一个是我们想要的没有扩展出新的字符串的点,另一个是只包含扩展出新的字符串的点,这样不影响 SAM 的性质。
我们设我们拆出的子集想要的点为 $nq$,首先 $nq$ 的所有转移边和 $q$ 都一样(原来就是 q 的一部分),然后我们更新 $nq$ 的 len 为我们想要的len。这样 $np$ 的 fail 就可以更新了,不过注意只包含扩展出新的字符串的点的 fail 需要更新成 $nq$(更长的的不同状态的后缀)。
最后那个循环:考虑之前所有转移到未拆的点上的边,现在只能转移到那个我们想要的点上,不能转移到只包含扩展出新的字符串的点(否则会出现新的字符串)。所以我们需要更新一下这些字符串的 fail。
构造过程大概就是这样,如果想手动模拟可以看一下咕咕日报链接 后面专门有一部分带你手动模拟建立 SAM,博主由于太咕加上本来很好懂就不写了。

简单运用

判断一个字符串是否出现

使用 DFA 的定义来判断是否接受该字符串。

不同子串个数

后缀自动机不会存相同的字符串,所以答案是 $$\sum_{i} (len(i)-len(fa(i)))$$

第k大子串

首先 SAM 是个 DAG,可以 dp 出 $f_i$ 表示 i 到结束节点包含的子串的个数:
$f_i = \sum f_{to}+len_{to}-len_{i}$
然后类似于权值线段树查询 $k$ 大的写法即可。

最小表示法

设字符串为$S$,我们对 $S+S$ 建立 SAM,只需要找到长度为 $|S|$ 字典序最小的串。可以贪心走最小的边实现。

某个子串的出现次数

首先从 SAM 上走定位到相应节点 出现次数就是子树内代表一个后缀的节点的个数
如果我们想快速支持在头部删除一个节点的话 只需要记录当前的长度 当长度和 fail 的最长一样的时候就跳到 fail 注意有一些细节
比如 CF235C:就需要先插入后删除 并且只有在长度>l 的时候才删除(否则匹配的一定是个真后缀 就不用从当前点所代表的字符串删除了)
如果我们想快速支持在尾部删除一个节点的话 保存下来所有的路径就可以了

子串第一次出现的位置

同理 对子树内代表一个后缀的编号取 min
待更。。。

Last modification:April 14th, 2020 at 04:06 pm
如果觉得我的文章对你有用,请随意赞赏