我想做一些“搜索和替换”算法，如果可能的话，它将以有效的方式识别出现多次出现的字符串的子字符串，并用令牌替换所有出现的子字符串。
例如，给定一个字符串“AbcAdAefgAbijkAblmnAbAb”，注意“A”重复出现，所以将第一个减少到“＃1bc＃1d＃1efg＃1bijk＃1blmn＃1b＃1b”，其中#_是索引模式（我们注意索引表中的模式），然后注意“＃1b”重复，所以减少到“＃2c＃1d＃1efg＃2ijk＃2lmn＃2＃2”。字符串中不再出现模式，所以我们已经完成了。
我找到了一些关于“最长公共子序列”和压缩算法的信息，但似乎没有做到这一点。它们要么用于比较两个字符串，要么用于获得某种存储最佳结果。
另一方面，我的目标是将基因组缩减为“单词”而不是“字母”。即，而不是gatcatcgatc我想看到2c1c2c。之后我可以做一些正则表达式来找到像“＃42 *＃42”这样的东西;在dna中看到重复的括号会很酷。
如果我能在网上找到，我会自己跳过这个问题，但我之前无法看到这个问题。对于那些能指出正确方向的人，非常感谢。
答案 0 :(得分：1)
字节对编码做了一些非常接近你想要的事情。 而不是直接搜索最长的重复字符串（自上而下）， 字节对编码的每次传递都搜索重复的字节对（自下而上）。 但最终它发现了最长的重复字符串（*）。
如您所见，它找到了最长的重复字符串“gatc”。
（*）字节对编码最终找到最长的重复字符串， 或者它在制作（2 ^ 8 - uniquechars（source））替换后提前停止。 我怀疑有可能调整字节对编码，以便稍微放松早期停止条件 - 也许（2 ^ 9 - uniquechars（source））或2 ^ 12或2 ^ 16。 即使这会损害压缩性能，也许它会为像你这样的应用程序提供有趣的结果。