Hirschberg's algorithm 最小编辑距离优化算法

最新推荐文章于 2024-06-18 10:28:43 发布

春秋之约

最新推荐文章于 2024-06-18 10:28:43 发布

阅读量4.3k

点赞数 8

CC 4.0 BY-SA版权

文章标签：算法字符串数据结构动态规划分治算法

本文链接：https://blog.csdn.net/weixin_43934036/article/details/105437343

本文探讨了在处理字符串相似性时如何优化动态规划算法，特别是针对大规模DNA序列。介绍了Hirschberg's algorithm，它通过结合动态规划和分治策略，将空间复杂度降低到O(m+n)，同时保持O(mn)的时间复杂度。文章详细阐述了算法的原理，必经点的概念，并提供了算法的实现细节。

String similarity

Sequence alignment

最近在学习动态规划的时候遇到了这样的问题：

给出两个字符串，求出两个字符串的相似性。相同字符对齐视为匹配，不同字符相对或者有落单的字符都会有penalty，求出最小的penalty.

在普林斯顿的PPT上也有相关的问题：
在这里插入图片描述
用动态规划很好思考，对于两个字符串A,B，对于 $xi∈A,yi∈Bx_i \in A, y_i \in B$ ,只有三种情况，一是两个字符串相对，二是 $y_i$ 落单， $x_i$ 和 $B$ 中的下一个字符串 $y_{i+1}$ 匹配，三是 $x_i$ 落单， $y_i$ 和 $x_{i+1}$ 匹配。在这三种情况中取值最小的。

在这里插入图片描述
很轻易就能计算出penalty，例如对于DNA 来说，我们规定如下的对应值：

//动态规划
//假设gap()是字符没有匹配值时的penalty
//mismatch()是两个字符对应的penalty.
int dp(const string &x,const string &y)
{
   
   
    int a=x.size(),b=y.size();
    vector<vector<int> > M(a+1,vector<int>(b+1,0));
    for(int i