为什么朴素的字符串搜索算法更快？答案

【问题标题】：Why is naive string search algorithm faster?为什么朴素的字符串搜索算法更快？
【发布时间】：2013-11-29 17:34:37
【问题描述】：

我正在测试来自此站点的字符串搜索算法：EXACT STRING MATCHING ALGORITHMS. Christian Charras, Thierry Lecroq。测试文本是 1 GB 大小的随机 DNA 碱基序列 (ACGT)。测试模式是随机大小（最大 1kB）的随机序列列表。测试系统是 AMD Phenom II x4 955，3.2 GHz，4 GB RAM 和 Windows 7 64 位。用 C 编写的代码并使用带有 -O3 标志的 MinGW 编译。

朴素搜索算法需要 4 秒的短模式到 8 秒的 1kB 模式。确定性有限状态机对于短模式需要 2 秒，对于 1kB 模式需要 4 秒。 Boyer-Moore 算法对于非常短的模式需要 4 秒，对于短模式大约需要 1/2 秒，对于 1kB 模式需要 2 秒。其余算法性能比朴素搜索算法最差。

朴素搜索算法如何比大多数其他算法搜索算法更快？

使用转换表（总是 O(n) 执行时间）实现的确定性有限状态机如何比 Boyer-Moore 算法慢 2 到 8 倍？是的，BM 最好的情况是 O(n/m)，但他的平均情况是 O(n)，最坏的情况是 O(nm)。

【问题讨论】：

标签： string algorithm search

【解决方案1】：

没有最适合所有情况的完美字符串匹配算法。

Boyer-Moore（以及 Horspool、Sunday 等）通过创建跳转表来工作（'当字符不匹配时，我可以将搜索指针移动多远？字符串中不同的字母, 积极影响越好。你可以想象，一个只有 4 个不同字母的字符串会创建一个跳转表，每个不匹配最多有 3 个移位。而搜索区分大小写的英文单词可能会导致一个带有 (AZ + az + 标点符号）每个错配最多约 55 个班次。

另一方面，对准备（即计算跳转表）和循环本身都有负面影响。所以这些算法在短字符串（准备会产生开销）和只有几个不同字母的字符串（如前所述）上表现不佳

朴素搜索算法非常紧凑，循环内部的操作很少，所以循环运行速度很快。由于没有开销，它在搜索短字符串时表现更好。

BM 算法的（与朴素搜索相比）相当复杂的循环操作每次循环运行需要更长的时间。这（部分）补偿了跳转表的积极性能影响。

因此，尽管您使用的是长字符串，但小字母表（=小跳转表）会使 BM 表现不佳。 KMP 在循环中的开销较小（跳转表通常较小，但类似于带有小字母的 BM），因此 KMP 的性能非常好。

【讨论】：

【解决方案2】：

简单的实现实际上对随机输入数据具有线性预期运行时间（与 BM/KMP 等相同）。我无法在这里写出完整的证明，但可以从算法设计技术和分析获得。

大多数精确匹配算法都是天真的实现的优化版本，以防止被某些模式减慢。例如，假设我们正在搜索：

   aaaaaaaaaaaaaaaaaaaaaaaab

在以下流上：

   aaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaab

它在b 失败了很多次。 KMP/BM 实现旨在防止重复比较as。但是，如果序列本身是随机的，则几乎不可能出现这种情况，并且由于其较低的簿记开销或可能更好的空间/时间局部性，幼稚的实现可能会更好地工作。

而且，是的，我不确定 DNA 序列是随机的。或者，它们中常见的重复。无论如何，如果没有代表性数据，就无法仔细检查。

【讨论】：

而且，是的，我不确定 DNA 序列是随机的。或者，它们中常见的重复。无论如何，如果没有代表性数据，就无法仔细检查。
如果文本（干草）相当长，针不太短和字母表（即不同字符的数量很大），所有这些智能字符串匹配算法的性能都比简单匹配更好。因此，即使是随机字符串也会表现良好，因为获得良好移位值的概率随着字母大小和针长度的增加而增加。

【解决方案3】：

理论上好的算法（较低的时间复杂度）通常具有很高的记账成本，对于小问题规模的幼稚算法可能会不堪重负。实施细节也很重要。通过优化实现，您有时可以将运行时间提高 2 倍或更多。

【讨论】：