后缀数组SA

算法讲解

后缀数组((SA，Suffix Array))，是将字符串的所有后缀排序得到的数组

一些定义

s(i,j)：字符串(S)的第(i)为到第(j)位

suf(i)：以 (i) 开头的后缀，即(s(i,n))

sa[i]：将所有后缀排完序后，排名为 (i) 的是原串的第几位（开头位置）

rk[i]：(rank_i)表示(suf(i))的最终排名

经典图片

他们满足如下的重要性质：

[sa[rk[i]]=rk[sa[i]]=i ]

请务必理解并牢记这两个定义，否则下面会非常绕

思想：倍增

我们依次处理所有 (suf(i)) 的前 (2^0,2^1,2^2,cdots)位的排名，如果两个后缀的前(2^i)位相同，比较这两个后缀第 (2^i+1sim 2^{i+1})的大小。即比较(s(x+2^i+1,x+2^{i+1}))与(s(y+2^i+1,y+2^{i+1}))

而这个结果我们已经在前一轮计算前(2^i)位的时候计算过了

这样我们就可以倍增求解，看看这张图可能会好理解一点

但是排序如果使用(sort)，那复杂度会多个(log)

我们发现这个数字由两位拼成，这两位都(< n)，考虑使用(O(n))的基数排序

其实思想很好懂，关键是理解下面的代码

理解代码

先放代码

int sa[N],rk[N],sec[N],tot[N],sz,rk1[N];
inline void init(){
	for(int i=1;i<=n;++i)rk[i]=s[i],++tot[rk[i]];
	for(int i=1;i<=S;++i)tot[i]+=tot[i-1];
	for(int i=n;i;--i)sa[tot[rk[i]]--]=i;
}
inline void bucsort(){
	memset(tot,0,(sz+1)<<2);
	for(int i=1;i<=n;++i)++tot[rk[i]];
	for(int i=1;i<=sz;++i)tot[i]+=tot[i-1];
	for(int i=n;i;--i)sa[tot[rk[sec[i]]]--]=sec[i],sec[i]=0;
}
inline void getsa(){
	init();
	for(int k=1;k<=n;k<<=1){
		int cnt=0;
		for(int i=n-k+1;i<=n;++i)sec[++cnt]=i;
		for(int i=1;i<=n;++i)if(sa[i]>k)sec[++cnt]=sa[i]-k;
		bucsort();
		memcpy(rk1+1,rk+1,n<<2);
		sz=1;rk[sa[1]]=1;
		for(int i=2;i<=n;++i)
			rk[sa[i]]=(rk1[sa[i]]==rk1[sa[i-]]&&rk1[sa[i]+k]==rk1[sa[i-1]+k])?sz:++sz;
		if(sz==n)return;
	}
}

数组的含义

sa，rk：意义没有太大变化，只是把全局排名改成前(2^i)位的排名。对于前(2^i)位相同的，sa可以为任意符合条件的不同整数，而rk都相同

sec[i]：第二关键字排名为 (i) 的数在原串中的位置

rk1：rk拷贝出来的数组，拷贝一遍的意义下面会说

tot[i]：第一关键字为(i)的出现次数/前缀和

初始化

inline void init(){
	for(int i=1;i<=n;++i)rk[i]=s[i],++tot[rk[i]];
	for(int i=1;i<=S;++i)tot[i]+=tot[i-1];
	for(int i=n;i;--i)sa[tot[rk[i]]--]=i;
}

即(2^0)的情况，(rk)就是这一位的值，对(tot)做一次前缀和

sa[tot[rk[i]]--]=i的意义是：对于第(i)位，它的排名为第一关键字小于等于自己的个数，sa[tot[rk[i]]]=i。自己用完了之后，与(i)的(rk)相同的数中，等于自己的数的个数会减少，所以tot[rk[i]]--]

找出 sec

首先对于第(n-2^i+1sim n)位，第二关键字都是(0)，肯定是最小的，放在最前面

对于(sa[i]>2^x)的位置，它会作为(sa[i]-2^x)位置的第二关键字。因为(sa[i])是排名为(i)的后缀开头，保证了第二关键字的递增

基数排序

与上面极其类似

在(rk)相同的情况下倒叙枚举(sec)，这样保证第二关键字在第一关键字相同的情况下满足条件

求出新的rk

首先确定(rk[sa[1]]=1)

因为(rk)会变，把它复制一遍

如果自己与前一个第一、第二关键字排名都相同，那么这两个依然是相同的，(rk[sa[i]]=rk[sa[i-1]])，否则，(rk[sa[i]]=rk[sa[i-1]]+1)

记录有几个不同的值，如果有(=n)个就已经排序完成了，不必要继续了

后缀数组的重要性质

又一些定义

height[i]：suf(sa[i])与suf(sa[i-1])的最大公共前缀（LCP）。即排完序后相邻两个的LCP。特别的，(height[1]=0)

h[i]：(h[i]=height[rank[i]]​)。即(suf(i)​)与排名在(i​)之前的最近的一个的LCP

重要性质

• (LCP(i,j)=minlimits_{k=rk[i]+1}^{rk[j]}height[k](rk[i]<rk[j]))

也就是说，求出(height)之后，可以(O(1))ST表求出两个串的LCP。求LCS（最大公共后缀）的话就把原字符串reverse一遍即可

• (h[i]ge h[i-1]-1)

首先(h[i-1]le 1)的时候显然成立

否则把第一个字符删去，剩下的一定匹配。结合下面这个图更好理解

于是我们可以在求出(sa)和(rk)之后(O(n))求出height

int height[N];
inline void getheight(){
	int k=0;
	for(int i=1;i<=n;++i){
		if(rk[i]==1)continue;
		if(k)--k;
		int pos=sa[rk[i]-1];
		while(pos+k<=n&&i+k<=n&&s[pos+k]==s[i+k])++k;
		height[rk[i]]=k;
	}
}

这篇文章就大概讲这些了，具体的使用可以参见后缀数据结构的使用