Upload
others
View
7
Download
0
Embed Size (px)
Citation preview
アルゴリズムとデータ構造
2012年7月19日
酒居敬一([email protected])
http://www.info.kochi-tech.ac.jp/k1sakai/Lecture/ALG/2012/index.html 1
文字集合と符号化
• 2011年度までのA-WS ‒ 日本語EUC(EUC-JP)符号化 ‒ JIS X 0208およびASCII文字集合
• 2012年度からのA-WS ‒ UTF-8符号化(例外: Macのjavacはsjis) ‒ Unicode文字集合
• Javaの内部 ‒ UTF-16符号化(16bitのcharで保持) ‒ Unicode文字集合
2
javac に -J-Dfile.encoding=UTF8 というオプションを与える理由
文字列の照合 (298ページ)
3 ]1[]1[
]1[]1[][]0[
−+=−
+==
mpostextmpattern
postextpatternpostextpattern
char[] text = new char[n]; char[] pattern = new char[m];
テキストとパターンの長さをそれぞれn,mとしたとき、 それぞれ次のように配列で与えられているとする。 (Javaの場合、charはUnicodeなので、漢字も含まれる。)
文字列照合あるいは文字列探索とは、テキストとパターンに関して 次のような関係の成り立つposを求めることである。
public class SimpleMatch { public static int match(char[] text, char[] pattern){ shift: for(int i = 0; i <= (text.length - pattern.length); i++){ for(int j = 0; j < pattern.length; j++){ if(text[i+j] != pattern[j]){ continue shift; } } return i; } return -1; } }
4
最後まで一致したら終了
素朴なアルゴリズム (299ページ)
素朴なアルゴリズムでは、テキストの最初から順に パターンと一致する部分があるかどうかを調べていく。
一致しなければ、1文字 ずらしてやりなおし
a b a c a b
a b a b
c a c c b
public static void main(String[] args) { String a, b; int c; a = "テキスト内でパターンが見付かったか"; b = "パターン"; c = match(a.toCharArray(), b.toCharArray()); System.out.println("「" + a + "」「" + b + "」 " + c); a = "計算量を気にしなければ、この問題の解法はいとも簡単である。"; b = "テキスト"; c = match(a.toCharArray(), b.toCharArray()); System.out.println("「" + a + "」「" + b + "」 " + c); a = "KMPアルゴリズムの比較の回数は、最大2n回である。つまり計算量は…"; b = "、最大"; c = match(a.toCharArray(), b.toCharArray()); System.out.println("「" + a + "」「" + b + "」 " + c); a = "Dijkstraって読むの難しいよね。ダイクストラって発音するんだよ。"; b = "偉い人なんだよ。"; c = match(a.toCharArray(), b.toCharArray()); System.out.println("「" + a + "」「" + b + "」 " + c); a = "アルゴリズムとデータ構造"; b = "オペレーティングシステム"; c = match(a.toCharArray(), b.toCharArray()); System.out.println("「" + a + "」「" + b + "」 " + c); }
5
「テキスト内でパターンが見付かったか」「パターン」 6 「計算量を気にしなければ、この問題の解法はいとも簡単である。」「テキスト」 -1 「KMPアルゴリズムの比較の回数は、最大2n回である。つまり計算量は…」「、最大」 16 「Dijkstraって読むの難しいよね。ダイクストラって発音するんだよ。」「偉い人なんだよ。」 -1 「アルゴリズムとデータ構造」「オペレーティングシステム」 -1
6
a a a b
a a a a a a
=
≠
=
≠
=
=
≠
=
a a a b a a a b
素朴なアルゴリズムは時間計算量はO(mn)。 実装が簡単なので実行したときの性能はそう悪くない。
一致したという情報を再利用すれば、比較回数が減る。 そこで、t文字一致した後に不一致が検出されたとき、 パターンをテキストに対してどれだけ進めればいいか、 パターンのどこから比較を開始すればいいかを求めておく。
a a a b
a a a a a a
=
≠
=
≠
=
=
≠
=
a a a b a a a b
テキストとパターンの 比較は不一致のあった ところからになる。 テキストストリームの 逆戻りがない。
Knuth-Morris-Prattのアルゴリズム
(301ページ)
• あらかじめパターンを調べておいて 不一致が起きたときに、比較回数を減らすべく、 次の比較位置を決定する。
• 比較中のテキストの文字位置に戻りがない。 • 後述のBMアルゴリズムほどではないが、 素朴なアルゴリズムより実行性能は良い。
7
8
a b a c a b
a b a b パターン 3文字目で不一致
テキスト
a b a b
c a
a b a b
a b a b
c c b
0 1 0 1
a b a b
-1 0 -1 0
Pascal的添え字 (教科書の例)
Java的添え字
next配列の内容
2文字目で不一致
4文字目で不一致
1文字目で不一致
1文字目で不一致
9
パターン
先頭
先頭厭只咆文字一致
先頭厭只咆文字一致
先頭厭只咇文字一致
先頭厭只全厱一致友厹
先頭厭只全厱一致友厹
先頭厭只全厱一致友厹
先頭厭只全厱一致友厹
先頭厭只咆文字一致
先頭厭只咇文字一致
先頭厭只咈文字一致
a b a d e a c b a b d f
先頭厭只全厱一致友厹
-1 0 0 0 -1 1 0 2 -1 0 0 3 next配列 (Java)
• パターンの中で、パターン先頭から始まる部分文字列が パターン中に現れるかどうかを調べる。 • これまで一致していた部分文字列の有無、不一致文字が部分文字列 のどこ含まれているかどうかで操作を決定する。
先頭厭只咆文字一致
先頭厭只咇文字一致
a b
-1 0
先頭厭只咆文字一致
先頭厭只咇文字一致
a b
2 0
変数t -1 0 0 0 0 0 0 1 1 1 1 2 1 2 2 3
public class KnuthMorrisPratt { private static void kmpinit(char[] pattern, int[] next){ int t = -1; next[0] = -1; for(int j = 1; j < pattern.length; j++){ while((t >= 0) && (pattern[j-1] != pattern[t])) t = next[t]; t++; if(pattern[j] != pattern[t]) next[j] = t; else next[j] = next[t]; } } private static int kmpmatch(char[] text, char[] pattern, int[] next){ int i = 0; int j = 0; while((i < text.length) && (j < pattern.length)){ while((j >= 0) && (text[i] != pattern[j])){ j = next[j]; } i++; j++; } if(j < pattern.length) return -1; return i - j; } public static int match(char[] text, char[] pattern){ int[] next = new int[pattern.length]; kmpinit(pattern, next); return kmpmatch(text, pattern, next); } }
パターンは先頭から、 テキストは未比較の文字位置から それぞれ比較するというフラグ。
テキストの中で、パターンと 現在比較しているところを指す。 i=0から単調増加である。
(j-2)文字の一致が見られたときに、 パターンを少しずらせて比較を続ける
Boyer-Mooreのアルゴリズム(304ページ)
• あらかじめパターンを調べておいて 不一致が起きたときに、比較回数を減らすべく、 次の比較位置を決定する。 – 2つの作戦により、比較回数を減らす。 – KMPアルゴリズムでは少なくとも1回は、テキスト の文字を調べないといけないが、この方法では 1回も調べない文字が存在する。その分速い。
• パターンは後ろから比較する。
11
12
作戦1
a
a b c
a b c
a b c
a b c
a b c
a b c
a b c
x
図5.1.5 作戦1(その1)
図5.1.5 作戦1(その2)
テキスト
パターン
テキスト
パターン
最初の比較で不一致
最初の比較で不一致
比べるだけ無駄
比べるだけ無駄
比べるだけ無駄
新たなるテキストからならば、 比べる意味はある
1文字目が一致するので、 2文字目以降は比べる意味はある
public class BoyerMooreMap { private static void bminit(char[] pattern, Map<Character, Integer> skip){ for(int j = 0; j < pattern.length - 1; j++){ skip.put(pattern[j], pattern.length - j - 1); } } public static int bmmatch(char[] text, char[] pattern, Map<Character, Integer> skip){ shift: for(int i = pattern.length - 1; i < text.length;){ for(int j = pattern.length - 1; j >= 0; i--, j--){ if(text[i] != pattern[j]){ // 教科書のプログラム5.1.8そのまま Integer s = skip.get(text[i]); if(s == null) i += pattern.length; else i += Math.max(s, pattern.length - j); continue shift; } } return ++i; } return -1; } public static int match(char[] text, char[] pattern){ Map<Character, Integer> skip = new HashMap<Character, Integer>(pattern.length*2); bminit(pattern, skip); return bmmatch(text, pattern, skip); } }
ハッシュテーブルを使うと簡単なので 教科書の擬似プログラムを書き換えた。 パターンに含まれる文字をキー、 スキップ量を値としている。
public class BoyerMooreMap { private static void bminit(char[] pattern, Map<Character, Integer> skip){ for(int j = 0; j < pattern.length - 1; j++){ skip.put(pattern[j], pattern.length - j - 1); } } public static int bmmatch(char[] text, char[] pattern, Map<Character, Integer> skip){ shift: for(int i = pattern.length - 1; i < text.length;){ for(int j = pattern.length - 1; j >= 0; i--, j--){ if(text[i] != pattern[j]){ // 教科書の309ページにあるようにiを元に戻した場合。 i += pattern.length - 1 - j; Integer s = skip.get(text[i]); i += (s == null)? pattern.length: s; continue shift; } } return ++i; } return -1; } public static int match(char[] text, char[] pattern){ Map<Character, Integer> skip = new HashMap<Character, Integer>(pattern.length*2); bminit(pattern, skip); return bmmatch(text, pattern, skip); } }
計算の手間はともかく、 動作の理解にはいったん元に 戻す方法も悪くない。
15
作戦2
図5.1.10 作戦2(その1)
図5.1.11 作戦2(その2)
テキスト
3文字目 で不一致
無駄
無駄
a b c a b a b a b
a b c a b
a b c a b
a b c a b
b a b
a b a b
a b a b
a b a b
a b a b
x b
無駄
2文字目 で不一致
無駄
無駄
パターンの比較を末尾から行うということを除けば、 KMPアルゴリズムと考え方は同じ。
16
○
×
△
○
○
×
×
図5.1.12 場合1
図5.1.13 場合2
図5.1.14 場合3
文字の並びが同じ 部分がある
(ただし、○≠△)
少しずらせる。
文字の並びが同じ 部分が少しある
かなりずらせる。
文字の並びが同じ 部分がない
public class BoyerMoore { private static void bminit(char[] pattern, Map<Character, Integer> skip, int[] next){ int[] g = new int[pattern.length]; int j; for(j = 0; j < pattern.length; j++){ next[j] = 2*pattern.length - j - 1; // length + (length - j - 1) } j = pattern.length; for(int k = pattern.length - 1; k >= 0; k--, j--){ g[k] = j; while((j < pattern.length) && (pattern[j] != pattern[k])){ next[j] = Math.min(next[j], pattern.length - k - 1); j = g[j]; } } int s = j; for(j = 0; j < pattern.length; j++){ next[j] = Math.min(next[j], s + pattern.length - j - 1); if(j >= s){ s = g[s]; } } for(j = 0; j < pattern.length - 1; j++){ skip.put(pattern[j], pattern.length - j - 1); } } } bmmatchメソッドなどは次のページで…
skipを求める
nextを求める
教科書のm‐jに 相当するJava表現
public static int bmmatch(char[] text, char[] pattern, Map<Character, Integer> skip, int[] next){ shift: for(int i = pattern.length - 1; i < text.length;){ for(int j = pattern.length - 1; j >= 0; i--, j--){ if(text[i] != pattern[j]){ Integer s = skip.get(text[i]); if(s == null){ i += Math.max(pattern.length, next[j]); } else { i += Math.max(s, next[j]); } continue shift; } } return ++i; } return -1; } public static int match(char[] text, char[] pattern){ Map<Character, Integer> skip = new HashMap<Character, Integer>(pattern.length*2); int[] next = new int[pattern.length]; bminit(pattern, skip, next); return bmmatch(text, pattern, skip, next); }