[leetcode] Repeated DNA Sequences-优快云博客

该博客讨论了一种在DNA分子中查找重复10个字母长序列的方法。通过构建字典树并利用位操作，将10个字母的DNA序列编码为32位整数，从而解决内存限制问题。博主分享了如何通过位运算找到子串的后续部分，以及如何通过无序映射存储和检查重复序列。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Problem Description:

All DNA is composed of a series of nucleotides abbreviated as A, C, G, and T, for example: "ACGAATTCCG". When studying DNA, it is sometimes useful to identify repeated sequences within the DNA.

Write a function to find all the 10-letter-long sequences (substrings) that occur more than once in a DNA molecule.

For example,

Given s = "AAAAACCCCCAAAAACCCCCCAAAAAGGGTTT",

    Return: ["AAAAACCCCC", "CCCCCAAAAA"].

刚拿到这个题目时，我的想法是，在一个字符串中寻找一些子串，KMP算法能够提高在一个字符串中寻找模式串的速度，所以是否可以用KMP算法呢？直观上来看，KMP算法需要一个模式串，在上面的题目中这个模式串可以是字符串s的任意长度为10的子串。枚举这些子串，再在s中寻找其他位置上是否还出现过该子串。这种方法应该是可行的，但是还是太暴力了。

另外一个想法是字典树。构造一个字典树来存储字符串s的所有长度为10的子串，由于这里只有4个字母，10层的话大概需要2700+个结点。我自认为可以接受，没想到最后还是"Memory Limit Exceeded"。

最后，参考了discuss才明白，这里只有4个字母可以两个bit来进行编码，这样一个长度为10的基因序列字符串（20位）可以用int（32位）来表示。另外当知道子串"s1s2...s10"对应的int数值为x，求“s2s3...s11”对应的int数值y时，可以先x与“1111 1111 1111 0011 1111 1111 1111 1111”进行&运算，即去掉了s1字母，然后将x左移两位，最后加上s11对应的编码，即得到y。因此，只需要遍历一遍字符串s，就可以求出它所有的长度为10的子串对应的编码值，将这些编码值存储到一个unordermap中，当某个值出现超过一次时即为所求的字符串（遍历时是知道子串的起始位置的）。