最大回文子串的长度

本文介绍了一种高效的回文串查找算法——Manacher算法,并通过一个具体的例子详细解释了该算法的工作原理。Manacher算法通过预处理字符串并在每个字符前后添加特殊符号来简化回文串的查找过程。

回文串算法:

manacher:将每个字符首位加“#”,字符串首加“$”,返回的结果为一个数组,数组的偶数为对应元素所在的回文串长度、

b = "abcdebeabbaf"
c = "".join(["$#"] + [ i +"#"  for i in b])

def Manacher(a):
    size = len(a)
    p = np.array([0]*size)
    ind = 0
    xm = 1
    p[0] = 1
    for i in range(1, size):
        if xm > i:
            p[i] = min(p[2*ind-i], xm-i)
        else:
            p[i] = 1
        while i + p[i] < size and a[i+p[i]] == a[i-p[i]]:
            p[i] = p[i] + 1
        if xm < i + p[i]:
            xm = i + p[i]
            ind = i
    p = p[1:-1] -1
    return p

answer = max(Manacher(c))

 

### 最大回文子串算法的实现与详解 最大回文子串问题是指在一个字符串中找到最长的回文子序列。解决该问题的经典算法包括动态规划和Manacher算法。以下是两种方法的具体实现与分析。 --- #### 动态规划方法 动态规划的核心思想是通过构建一个二维布尔数组 `dp`,其中 `dp[i][j]` 表示从索引 `i` 到 `j` 的子串是否为回文[^4]。如果满足以下条件,则 `dp[i][j]` 为真: 1. 子串的第一个字符和最后一个字符相同(即 `s[i] == s[j]`)。 2. 子串长度小于等于 2 或者去掉首尾字符后的子串仍然是回文(即 `dp[i+1][j-1]` 为真)。 ```python def longest_palindrome_dp(s): n = len(s) if n < 2: return s dp = [[False] * n for _ in range(n)] max_len = 1 start = 0 # 单个字符都是回文 for i in range(n): dp[i][i] = True # 检查长度为2的子串 for i in range(n - 1): if s[i] == s[i + 1]: dp[i][i + 1] = True max_len = 2 start = i # 检查长度大于2的子串 for length in range(3, n + 1): for i in range(n - length + 1): j = i + length - 1 if s[i] == s[j] and dp[i + 1][j - 1]: dp[i][j] = True if length > max_len: max_len = length start = i return s[start:start + max_len] ``` 上述代码的时间复杂度为 \(O(n^2)\)[^4],空间复杂度同样为 \(O(n^2)\)。 --- #### Manacher算法 Manacher算法是一种高效的线性时间算法,用于解决最长回文子串问题。其核心思想是利用回文的对称性来避免重复计算[^3]。具体步骤如下: 1. 在原字符串的每个字符间插入特殊字符(如 `#`),将奇数长度和偶数长度的回文统一处理。 2. 定义两个变量 `id` 和 `mx`,分别表示当前已知的最长回文子串的中心位置和右边界。 3. 遍历每个字符,利用对称性尽可能减少计算量。对于每个字符 `i`,先确定其关于 `id` 的对称点 `j`,然后根据对称性更新回文半径 `P[i]`。 4. 如果回文的右边界超过 `mx`,则需要扩展以更新 `id` 和 `mx`。 ```python def longest_palindrome_manacher(s): if not s: return "" # 插入特殊字符 t = "#".join("^{}$".format(s)) n = len(t) P = [0] * n C = R = 0 # 中心和右边界 for i in range(1, n - 1): mirror = 2 * C - i # 对称点 if R > i: P[i] = min(R - i, P[mirror]) # 尝试扩展回文 while t[i + 1 + P[i]] == t[i - 1 - P[i]]: P[i] += 1 # 更新中心和右边界 if i + P[i] > R: C, R = i, i + P[i] # 找到最大回文 max_len = max(P) center_index = P.index(max_len) start = (center_index - max_len) // 2 return s[start:start + max_len] ``` 上述代码的时间复杂度为 \(O(n)\)[^3],空间复杂度为 \(O(n)\)。 --- ### 算法对比 | 方法 | 时间复杂度 | 空间复杂度 | 特点 | |---------------|------------|------------|--------------------------------------------------------------| | 动态规划 | \(O(n^2)\) | \(O(n^2)\) | 实现简单,适合小规模数据 | | Manacher算法 | \(O(n)\) | \(O(n)\) | 效率高,适合大规模数据,但实现相对复杂 | --- ###
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值