Znajdowanie pasujących elementów

18

To wyzwanie dotyczy pisania kodu w celu rozwiązania następującego problemu.

Biorąc pod uwagę dwa ciągi A i B, kod powinien wyświetlać indeksy początkowe i końcowe podłańcucha A o następujących właściwościach.

  • Podciąg A powinien również pasować do niektórych podciągów B z maksymalnie jednym podstawieniem pojedynczego znaku w ciągu.
  • Nie powinno być już podłańcucha A, który spełnia pierwszą właściwość.

Na przykład:

A = xxxappleyyyyyyy

B = zapllezzz

Podciąg applez indeksami4 8 (indeksowanie od 1) byłby prawidłowym wyjściem.

Wynik

Wynik twojej odpowiedzi będzie sumą długości twojego kodu w bajtach + czas w sekundach, jaki zajmuje mój komputer, gdy działa na ciągach A i B o długości 1 miliona każdy.

Testowanie i wprowadzanie

Uruchomię twój kod na dwóch ciągach o długości 1 miliona pobranych z ciągów w http://hgdownload.cse.ucsc.edu/goldenPath/hg38/chromosomes/

Dane wejściowe będą w standardzie i będą po prostu dwoma ciągami znaków, oddzielonymi nową linią.

Języki i biblioteki

Możesz używać dowolnego języka, który ma swobodnie dostępny kompilator / tłumacz / etc. dla Linuksa i wszelkich bibliotek, które są również open source i swobodnie dostępne dla Linuksa.

Moja maszyna Czasy zostaną uruchomione na moim komputerze. Jest to standardowa instalacja ubuntu na ośmiordzeniowym procesorze AMD FX-8350. Oznacza to również, że muszę być w stanie uruchomić Twój kod. W związku z tym używaj tylko łatwo dostępnego bezpłatnego oprogramowania i dołącz pełne instrukcje, jak skompilować i uruchomić kod.

isaacg
źródło
Potrzebujesz bardziej bezwzględnej definicji punktacji. Czas działania na komputerze nie wydaje się dobrą metodą punktacji.
mbomb007
7
@ mbomb007 To jedyny rozsądny sposób mierzenia szybkości kodu i zawsze ten używany w najszybszych konkursach kodu na PPCG! Ludzie zwykle zamieszczają swoje wyniki na własnym komputerze w odpowiedzi i czekają, aż OP wygeneruje ostateczny wynik. Jest co najmniej w 100% jednoznaczny.
5
@ mbomb007, która jest bardzo szeroko stosowaną metodą oceniania najszybszego kodu.
Optymalizator
if(hash(str1 == test1 && str2 == test2)) print("100,150") else ..-- myśli?
John Dvorak
2
@FryAmTheEggman W bardzo mało prawdopodobnym przypadku remisu pierwsza odpowiedź wygrywa. appleypotrzebuje dwóch podstawień w celu dopasowania apllez. Może przegapiłeś, że jest apllw B, a nie appl?

Odpowiedzi:

4

Czas C ++: O (n ^ 2), dodatkowa spacja: O (1)

Uzupełnienie danych 15K na moim komputerze zajmuje 0,2 s.

Aby go skompilować, użyj:

g++ -std=c++11 -O3 code.cpp -o code

Aby go uruchomić, użyj:

./code < INPUT_FILE_THAT_CONTAINS_TWO_LINES_SPERATED_BY_A_LINE_BREAK

Wyjaśnienie

Pomysł jest prosty, na ciąg s1i s2staramy się zrównoważyć s2poprzez i:

s1: abcabcabc
s2: bcabcab

Gdy przesunięcie wynosi 3:

s1: abcabcabc
s2:    bcabcab

Następnie dla każdego przesunięcia iwykonujemy dynamiczne skanowanie programujące na s1[i:]i s2. Dla każdego jniech f[j, 0]będzie maksymalna długość dtaka, że s1[j - d:j] == s2[j - i - d: j - i]. Podobnie, niech f[j, 1]będzie maksymalną długością dtaką, że łańcuchy s1[j - d:j]is2[j - i - d:j - i] różni się co najwyżej 1 znaku.

Dlatego s1[j] == s2[j - i]mamy:

f[j, 0] = f[j - 1, 0] + 1  // concat solution in f[j - 1, 0] and s1[j]
f[j, 1] = f[j - 1, 1] + 1  // concat solution in f[j - 1, 1] and s1[j]

Inaczej:

f[j, 0] = 0  // the only choice is empty string
f[j, 1] = f[j - 1, 0] + 1  // concat solution in f[j - 1, 0] and s1[j] (or s2[j - i])

I:

f[-1, 0] = f[-1, 1] = 0 

Ponieważ potrzebujemy tylko f [j - 1,:] do obliczenia f [j,:], tylko O ​​(1) jest używane dodatkowe miejsce.

Wreszcie maksymalna długość będzie wynosić:

max(f[j, 1] for all valid j and all i)

Kod

#include <string>
#include <cassert>
#include <iostream>

using namespace std;

int main() {
    string s1, s2;
    getline(cin, s1);
    getline(cin, s2);
    int n1, n2;
    n1 = s1.size();
    n2 = s2.size();
    int max_len = 0;
    int max_end = -1;
    for(int i = 1 - n2; i < n1; i++) {
        int f0, f1;
        int max_len2 = 0;
        int max_end2 = -1;
        f0 = f1 = 0;
        for(int j = max(i, 0), j_end = min(n1, i + n2); j < j_end; j++) {
            if(s1[j] == s2[j - i]) {
                f0 += 1;
                f1 += 1;
            } else {
                f1 = f0 + 1;
                f0 = 0;
            }
            if(f1 > max_len2) {
                max_len2 = f1;
                max_end2 = j + 1;
            }
        }
        if(max_len2 > max_len) {
            max_len = max_len2;
            max_end = max_end2;
        }
    }
    assert(max_end != -1);
    // cout << max_len << endl;
    cout << max_end - max_len + 1 << " " << max_end << endl;
}
Promień
źródło
Przepraszam, patrzyłem na kod i nie mogę znaleźć, w jaki sposób bierze on pod uwagę możliwość dopasowywania ciągów znaków, z wyjątkiem jednego znaku, jak w przykładzie „jabłko” i „aplle”. Czy możesz wytłumaczyć?
rorlork
@rcrmn To właśnie robi dynamiczna część programistyczna. Aby zrozumieć, pomocne jest ręczne obliczenie f [j, 0] i f [j, 1] w niektórych prostych przypadkach. Poprzedni kod zawiera kilka błędów, więc zaktualizowałem post.
Ray
Dziękuję Ci za to. Czy uważasz, że może istnieć również rozwiązanie O (n log n)?
2

C ++

Próbowałem wymyślić dobry algorytm, aby to zrobić, ale dzisiaj jestem trochę rozproszony i nie mogłem wymyślić niczego, co by działało dobrze. Działa to w czasie O (n ^ 3), więc jest bardzo powolne. Inna opcja, o której myślałem, mogłaby być teoretycznie szybsza, ale zajęłaby przestrzeń O (n ^ 2), a przy wejściach 1M byłaby nawet gorsza.

To wstydliwe, przy wejściach 15 KB potrzeba 190 sekund. Spróbuję to poprawić. Edycja: Dodano przetwarzanie wieloprocesowe. Teraz potrzeba 37 sekund na wejście 15K w 8 wątkach.

#include <string>
#include <vector>
#include <sstream>
#include <chrono>
#include <thread>
#include <atomic>
#undef cin
#undef cout
#include <iostream>

using namespace std;

typedef pair<int, int> range;

int main(int argc, char ** argv)
{
    string a = "xxxappleyyyyyyy";
    string b = "zapllezzz";

    getline(cin, a);
    getline(cin, b);

    range longestA;
    range longestB;

    using namespace std::chrono;

    high_resolution_clock::time_point t1 = high_resolution_clock::now();

    unsigned cores = thread::hardware_concurrency(); cores = cores > 0 ? cores : 1;

    cout << "Processing on " << cores << " cores." << endl;

    atomic<int> processedCount(0);

    vector<thread> threads;

    range* longestAs = new range[cores];
    range* longestBs = new range[cores];
    for (int t = 0; t < cores; ++t)
    {
        threads.push_back(thread([&processedCount, cores, t, &a, &b, &longestBs, &longestAs]()
        {
            int la = a.length();
            int l = la / cores + (t==cores-1? la % cores : 0);
            int lb = b.length();
            int aS = t*(la/cores);

            for (int i = aS; i < aS + l; ++i)
            {
                int count = processedCount.fetch_add(1);
                if ((count+1) * 100 / la > count * 100 / la)
                {
                    cout << (count+1) * 100 / la << "%" << endl;
                }
                for (int j = 0; j < lb; ++j)
                {
                    range currentB = make_pair(j, j);
                    bool letterChanged = false;
                    for (int k = 0; k + j < lb && k + i < la; ++k)
                    {
                        if (a[i + k] == b[j + k])
                        {
                            currentB = make_pair(j, j + k);
                        }
                        else if (!letterChanged)
                        {
                            letterChanged = true;
                            currentB = make_pair(j, j + k);
                        }
                        else
                        {
                            break;
                        }
                    }
                    if (currentB.second - currentB.first > longestBs[t].second - longestBs[t].first)
                    {
                        longestBs[t] = currentB;
                        longestAs[t] = make_pair(i, i + currentB.second - currentB.first);
                    }
                }
            }
        }));
    }

    longestA = make_pair(0,0);
    for(int t = 0; t < cores; ++t)
    {
        threads[t].join();

        if (longestAs[t].second - longestAs[t].first > longestA.second - longestA.first)
        {
            longestA = longestAs[t];
            longestB = longestBs[t];
        }
    }

    high_resolution_clock::time_point t2 = high_resolution_clock::now();

    duration<double> time_span = duration_cast<duration<double>>(t2 - t1);

    cout << "First substring at range (" << longestA.first << ", " << longestA.second << "):" << endl;
    cout << a.substr(longestA.first, longestA.second - longestA.first + 1) << endl;
    cout << "Second substring at range (" << longestB.first << ", " << longestB.second << "):" << endl;
    cout << b.substr(longestB.first, longestB.second - longestB.first + 1) << endl;
    cout << "It took me " << time_span.count() << " seconds for input lengths " << a.length() << " and " << b.length() <<"." << endl;

    char c;
    cin >> c;
    return 0;
}
rorlork
źródło
Naprawdę przepraszam, że to takie złe rozwiązanie. Szukałem algorytmu, aby to osiągnąć w lepszym czasie, ale na razie nic nie znalazłem ...
rorlork
Cóż, złożoność wymaganego zadania powinna wynosić od O (n ^ 4) do O (n ^ 5), więc podane są długie czasy wykonania
hoffmale
Uważam, że w najgorszym przypadku powinno być bardziej jak O (n ^ 3), przynajmniej z moim algorytmem. W każdym razie jestem pewien, że można coś zrobić, aby to poprawić, na przykład wyszukiwanie drzewa, ale nie jestem pewien, jak można to zaimplementować.
rorlork
O tak, O (n ^ 3) to ... miało inne podejście, które
wziąłoby
możesz zaoszczędzić trochę czasu, jeśli zmienisz czek w dwóch zewnętrznych pętlach z i < a.length()na i < a.length - (longestA.second - longestA.first)(to samo dla j i b.length ()), ponieważ nie będziesz musiał przetwarzać żadnych dopasowań mniejszych niż twój najdłuższy
hoffmale
2

R

Wydaje mi się, że komplikowałem problem z poprzednim rozwiązaniem. Jest to około 50% szybsze (23 sekundy na 15k strunach) niż poprzednie i dość proste.

rm(list=ls(all=TRUE))
a="xxxappleyyyyyyy"
b="zapllezzz"
s=proc.time()
matchLen=1
matchIndex=1
indexA = 1
repeat {    
    i = 0
    repeat {
        srch = substring(a,indexA,indexA+matchLen+i)
        if (agrepl(srch,b,max.distance=list(insertions=0,deletions=0,substitutions=1)))
            i = i + 1
        else {
            if (i > 0) {
                matchLen = matchLen + i - 1
                matchIndex = indexA
            }
            break
        }
    }
    indexA=indexA+1
    if (indexA + matchLen > nchar(a)) break
}
c(matchIndex, matchLen + matchIndex)
print (substring(a,matchIndex, matchLen + matchIndex))
print(proc.time()-s)

Ze względu na język nigdy nie będzie to pretendent, ale bawiłem się trochę.
Nie jestem pewien jego złożoności, ale w ciągu kilku ~ 15 000 ciągów zajmuje 43 sekundy przy użyciu jednego wątku. Największą część tego stanowiło sortowanie tablic. Próbowałem kilka innych bibliotek, ale bez znaczącej poprawy.

a="xxxappleyyyyyyy"
b="zapllezzz"
s=proc.time()
N=nchar
S=substring
U=unlist
V=strsplit
A=N(a)
B=N(b)
a=S(a,1:A)
b=S(b,1:B)
a=sort(a,method="quick")
b=sort(b,method="quick")
print(proc.time()-s)
C=D=1
E=X=Y=I=0
repeat{
    if(N(a[C])>E && N(b[D])>E){
        for(i in E:min(N(a[C]),N(b[D]))){
            if (sum(U(V(S(a[C],1,i),''))==U(V(S(b[D],1,i),'')))>i-2){
                F=i
            } else break
        }
        if (F>E) {
            X=A-N(a[C])+1
            Y=X+F-1
            E=F
        }
        if (a[C]<b[D])
            C=C+1
            else
            D=D+1
    } else
        if(S(a[C],1,1)<S(b[D],1,1))C=C+1 else D=D+1
    if(C>A||D>B)break
}
c(X,Y)
print(proc.time()-s)

Metoda:

  • Utwórz tablicę sufiksów dla każdego łańcucha
  • Zamów tablice sufiksów
  • Przejdź przez każdą z tablic w rozłożony sposób, porównując początek każdej z nich
MickyT
źródło
Oczywiście najłatwiejszym rozwiązaniem w R jest użycie Bioconductor.
archaephyrryx
@archaephyrryx Rozwiązanie bioprzewodników byłoby fajne.
To byłoby ... Ale mój szybki odczyt dokumentów był ponad moją głową. Może gdybym zrozumiał warunki :-)
MickyT
Usunąłem swój pierwszy komentarz. Do tego wyzwania możesz oczywiście użyć dowolnej biblioteki open source.