最短编辑距离问题 - 动态规划方法及打印

本文记录最短编辑距离问题的动态规划方法,包括:

问题

将一个字符串 a 编辑为另一个字符串 b ,求需要的最少的编辑步数。

允许三种编辑动作:删除一个字符、替换一个字符 和 插入一个字符。

例如,把字符串 horse 编辑为 ros 的最少编辑步数是 3

leetcode 题目 - 最短编辑距离

最短编辑距离

初始化

采用动态规划方法,假设字符串 ab 的长度分别是 mn

建立一个二维数组 dp ,即一个二维表格。

取字符串 a 以位置 i 结尾的前缀 a' ,字符串 b 以位置 j 结尾的前缀 b'

表格中数字 dp[i][j] 的含义是: 将字符串 a' 编辑为 b' 的最少编辑步数

为方便边界处理,在两个字符串的头部插入一个表示空的字符 $ ,稍后将看到这样做的好处

如此一来,表格 dp 的大小就是 (m+1)x(n+1)

首先考虑表格第一行的值,即如何把单字符的字符串 $ 编辑为任何一个 b 的前缀 b'

容易想到,不断执行插入操作,即可。

因此,第一行的每一个方格 dp[0][j] 填写 j

同样道理,第一列的每一个方格 dp[i][0] 填写 i

至此,表格已经初始化完毕,如下图所示。

递推关系

下面考虑如何递推填表。

再次明确,表格 dp[i][j] 的数值, 是原字符串 ai-1 结尾的前缀 a' 编辑到原字符串 bj-1 结尾的前缀 b' 的最小编辑距离。

下面考虑如何填写 dp[i][j] 的值。

考虑将 a' 编辑为 b' 的所有可能情况:

  1. 如果已经知道如何把 a' 编辑为更短一位的 b'' 的话

    在此基础上, 直接再插入一个字符即可形成 b'

    上一次形成 b' 的过程,最少需要 dp[i][j-1] 步。

    可知, 当前表格的值至多是当前表格的左边表格的数值加一

    此时,插入的字符是 b[j-1]

  2. 同样,如果已经知道如何把更短一位的 a'' 编辑为 b' 的话

    那么只需先把 a' 删除末尾字符形成 a'' ,再编辑为 b' 即可。

    a'' 编辑到 b' 的过程,最少需要 dp[i-1][j] 步。

    可知, 当前表格的值至多是当前表格的上边表格的数值加一

    此时,删除的字符是 a[i-1]

  3. 如果已经知道如何把更短一位的 a'' 编辑为更短一位的 b'' 呢?

    在此基础上,只需要把 a' 的尾巴字符替换为 b' 的尾巴字符即可。

    此时,是把字符 a[i-1] 替换为 b[j-1]

    但是,如果两个字符本来就相同,就无需替换了。

    a'' 编辑到 b'' 的过程,最少需要 dp[i-1][j-1] 步。

    可知:

    1. 如果尾巴字符相等,那么当前表格拷贝左上方表格的值
    2. 否则,至多是左上方表格的数值加一

综合以上,当前表格的值 dp[i][j] 取它们的最小值。

总结如下:

  1. 考虑由左面方格的数字加一而来:left = dp[i][j-1] + 1
  2. 考虑由上面方格的数字加一而来:up = dp[i-1][j] + 1
  3. 考虑由左上方的数字而来:
    1. 如果尾巴字符相等,那么 left_up = dp[i-1][j-1]
    2. 否则,left_up = dp[i-1][j-1] + 1
  4. dp[i][j] 取上面三个数的最小值。

递推过程,会用到左方、上方和左上方表格的数值, 添加一个空字符 使表格的第一行和第一列的得以初始化, 从而避免繁琐的边界处理。

最右下角的方格数值就是将 a 编辑为 b 的最少步数,即 dp[m][n] 就是结果。

下面是对本文中所用例子的填表过程,图中也标出了一种最短的编辑路径。

最短编辑距离 - C 语言实现
#define MIN(x, y) ((x) < (y) ? (x) : (y))

// 返回字符串 a 编辑为字符串 b 的最小编辑步数。
int MinEditDistance(char *a, char *b) {
    int m = strlen(a);
    int n = strlen(b);

    // 为处理边界方便,假设对字符串头部插入 $ 符号
    // horse => $horse
    // ros => $ros
    // 如此一来,dp[i][j] 的意思是,a[..i-1] 编辑到 b[..j-1] 的最小编辑距离
    int dp[m + 1][n + 1];

    // horse => $ 的编辑距离显然是:删除 5 个字符
    // 即 dp[i][0] => i
    for (int i = 0; i < m + 1; i++) dp[i][0] = i;

    // $ => ros 的编辑距离显然是:插入三个字符
    // 即 dp[0][j] = j
    for (int j = 0; j < n + 1; j++) dp[0][j] = j;

    for (int i = 1; i < m + 1; i++) {
        for (int j = 1; j < n + 1; j++) {
            // 在 a[..i-1] => b[..j-2] 的基础上,再插入一个字符 b[j-1] 得到
            // 即表格左方值 + 1 得到
            int left = dp[i][j - 1] + 1;

            // 在 a[..i-2] => b[..j-1] 的基础上,再删除一个字符 a[i-1] 得到
            // 即表格上方值 + 1 得到
            int up = dp[i - 1][j] + 1;

            // 考虑左上方的数字
            int left_up;

            if (a[i - 1] == b[j - 1]) {
                // 末尾两个字符相等
                // a[..i-1] => b[..j-1] 等价于 a[..i-2] => b[..j-2]
                left_up = dp[i - 1][j - 1];
            } else {
                // 否则,需要替换一次
                left_up = dp[i - 1][j - 1] + 1;
            }

            // 取三种方案的最小值
            dp[i][j] = MIN(MIN(left, up), left_up);
        }
    }
    return dp[m][n];
}

打印所有最短编辑方式

左上角出发,每一条通往右下角的路径,就是一种编辑方式。

最短编辑方式可能并不止一种,比如单词 simple 编辑为 example 就有两种最短编辑方式。

在规划过程中,记住每一个方格的来源,就可以从右下角反向还原整条路径

构造一个路径数组, path[i][j] 记录当前表格的来源:

  • 0000 表示当前表格是初始化而来。
  • 0001 表示从左方推导而来,即插入字符。
  • 0010 表示从上方推导而来,即删除字符。
  • 0100 表示从左上方加一而来,即替换字符。
  • 1000 表示从左上方拷贝而来,即无操作。

因为一个方格的数值来源可能有多种, 所以这里采用二进制互不重叠的枚举值。

一个方格的来源是多个此类枚举值的布尔或值

动态规划过程中,同步填充 path 数组。

最短编辑距离 - DP 过程同步记录路径数组 - C 语言实现
#define FROM_INIT 0
#define FROM_LEFT 1             // 0b0001
#define FROM_UP 2               // 0b0010
#define FROM_LEFT_UP_REPLACE 4  // 0b0100
#define FROM_LEFT_UP_COPY 8     // 0b1000

int DP(char *a, char *b, int m, int n, int dp[m + 1][n + 1],
       int path[m + 1][n + 1]) {
    for (int i = 0; i < m + 1; i++) {
        dp[i][0] = i;
        path[i][0] = FROM_INIT;
    }

    for (int j = 0; j < n + 1; j++) {
        dp[0][j] = j;
        path[0][j] = FROM_INIT;
    }

    for (int i = 1; i < m + 1; i++) {
        for (int j = 1; j < n + 1; j++) {
            path[i][j] = FROM_INIT;  // 初始化 path[i][j]

            int left = dp[i][j - 1] + 1;

            int up = dp[i - 1][j] + 1;

            int left_up;
            bool replace = false;

            if (a[i - 1] == b[j - 1]) {
                left_up = dp[i - 1][j - 1];
                replace = false;
            } else {
                left_up = dp[i - 1][j - 1] + 1;
                replace = true;
            }

            dp[i][j] = MIN(MIN(left, up), left_up);

            if (dp[i][j] == left) path[i][j] |= FROM_LEFT;
            if (dp[i][j] == up) path[i][j] |= FROM_UP;
            if (dp[i][j] == left_up) {
                if (replace)
                    path[i][j] |= FROM_LEFT_UP_REPLACE;
                else
                    path[i][j] |= FROM_LEFT_UP_COPY;
            }
        }
    }
    return dp[m][n];
}

要找的路径,不止一条,所以,要进行深度优先遍历。

总之, 按方格来源,自右下角深度优先遍历,不断收集路径上的编辑操作, 直到左上角

综合 前面的分析 ,具体的遍历办法是, 考虑当前方格 dp[i][j]

  1. 如果可以从左边方格推导而来

    对应编辑操作是,插入字符 b[j-1]

    然后向左继续深度遍历。

  2. 如果可以从上边方格推导而来

    对应编辑操作是,删除字符 a[i-1]

    然后向上继续深度遍历。

  3. 如果可以从左上方推导而来

    如果是拷贝而来,则不收集。

    否则,收集,对应编辑操作是,替换字符 a[i-1]b[j-1]

    然后向左上方格继续深度遍历。

  4. 直到左上角 dp[1][1] 处,进行打印。

    由于是反向收集,所以要反向打印。

最短编辑距离 - 递归 DFS 打印所有最短编辑方式 - C 语言实现
// 一种编辑操作
typedef struct {
    int flag;  // 操作方式 1 插入 2 删除 3 替换
    char ch1;  // 操作的字符 1
    char ch2;  // 操作的字符 2, 针对替换操作, ch1 替换为 ch2
} Operation;

void PrintOperation(Operation *op) {
    if (op == NULL) return;
    if (op->flag == 0) return;
    if (op->flag == 1) printf("插入 %c\n", op->ch1);
    if (op->flag == 2) printf("删除 %c\n", op->ch1);
    if (op->flag == 3) printf("替换 %c => %c\n", op->ch1, op->ch2);
}

// DFS 深度优先遍历 path 数组
// 输入的 i,j 是当前的方格位置
// depth 是当前递归深度,初始 depth = 1
// ops 是当前递归深度上的路径,即记录的编辑步骤序列
void DFS(char *a, char *b, int m, int n, int path[m + 1][n + 1], int i, int j,
         int depth, Operation ops[depth]) {
    Operation *op = &ops[depth - 1];  // 设置当前格的编辑方式

    if (path[i][j] & FROM_LEFT) {
        // 左边方格,插入一个字符 b[j-1] 而来
        op->flag = 1;
        op->ch1 = b[j - 1];
        // 向左 DFS
        DFS(a, b, m, n, path, i, j - 1, depth + 1, ops);
    }

    if (path[i][j] & FROM_UP) {
        // 上面方格,删除一个字符 a[i-1] 而来
        op->flag = 2;
        op->ch1 = a[i - 1];
        // 向上 DFS
        DFS(a, b, m, n, path, i - 1, j, depth + 1, ops);
    }

    if (path[i][j] & FROM_LEFT_UP_COPY || path[i][j] & FROM_LEFT_UP_REPLACE) {
        if (path[i][j] & FROM_LEFT_UP_REPLACE) {
            // 左上方格,替换 a[i-1] 到 b[j-1] 而来
            op->flag = 3;
            op->ch1 = a[i - 1];
            op->ch2 = b[j - 1];
        } else {
            // 拷贝而来,无需记录
            // 置 0 表示忽略
            op->flag = 0;
        }
        // 向左上 DFS
        DFS(a, b, m, n, path, i - 1, j - 1, depth + 1, ops);
    }

    if (i == 1 && j == 1) {
        // 反向打印 ops 序列
        for (int k = depth - 1; k >= 0; k--) PrintOperation(&ops[k]);
        // 打印结束
        printf("已结束一种编辑方式\n");
        return;
    }
}

// 打印把字符串 a 编辑为 b 的所有最短编辑方式
void PrintMinEditSteps(char *a, char *b) {
    int m = strlen(a);
    int n = strlen(b);

    // DP 数组
    int dp[m + 1][n + 1];
    // 路径数组
    int path[m + 1][n + 1];
    // 规划过程,返回最少步数 k
    DP(a, b, m, n, dp, path);
    // 记录一种最短编辑的操作序列
    Operation ops[m + n];
    // 记录当且递归深度
    int depth = 1;
    // 递归打印所有最短编辑的操作方式
    printf("编辑 %s 到 %s \n", a, b);
    DFS(a, b, m, n, path, m, n, depth, ops);
    printf("\n");
}

上面的代码实现的一个示例输出是:

编辑 simple 到 example
替换 s => e
替换 i => x
插入 a
已结束一种编辑方式
替换 s => e
插入 x
替换 i => a
已结束一种编辑方式

结语

最短编辑距离问题和 最长公共子序列 问题高度相似,是一个经典的动态规划问题。

(完)


本文的所有代码 On Github

相关阅读: 最长公共子串和最长公共子序列

本文原始链接地址: https://writings.sh/post/algorithm-minimum-edit-distance

王超 ·
微信扫码赞赏
评论 首页 | 归档 | 算法 | 订阅