什么是基准测试的良好测试用例＆amp;压力测试子串搜索算法？

Question

我正在尝试评估不同的子串搜索（ala strstr）算法和实现，并寻找一些精心设计的针和干草堆字符串，以捕捉最坏情况的性能和可能的角落错误。我想我可以自己解决这个问题，但我认为有人必须在某个地方找到很多测试用例......

Answer 1

对自己的一些想法和部分答案：

蛮力算法的最坏情况：

a^(n+1) b

中的

(a^n b)^m

e.g。 aaab

中的aabaabaabaabaabaabaab

SMOA的最坏情况：

yxyxyxxyxyxyxx中(yxyxyxxyxyxyxy)^n之类的内容。需要进一步完善。我试图确保每个进度只是部分匹配长度的一半，并且最大后缀计算需要最大量的回溯。我很确定我是在正确的轨道上，因为这种类型的案例是我迄今为止发现的唯一方法，使我的SMOA（渐近6n+5）的实现比glibc的双向运行慢（渐近2n-m，但预处理开销有中等程度的痛苦。）

基于滚动哈希的最坏情况：

无论字节序列是什么导致哈希与针的哈希冲突。对于任何合理快速的哈希和给定的针，应该很容易构造一个干草堆，其哈希在每个点与针的哈希碰撞。但是，似乎很难同时创建长部分匹配，这是获得最坏情况行为的唯一方法。当然，对于最坏情况的行为，针必须具有一定的周期性，以及通过仅调整最终字符来模拟散列的方法。

双向的最坏情况：

似乎是非常短的针具有非平凡的MS分解 - 类似于bac - 其中大海捞针在针的右半部分中包含重复的假阳性 - 类似于dacdacdacdacdacdacdac。这种算法可能很慢的唯一方法（除了glibc作者实现它之外......）是通过使外循环迭代多次并重复产生开销（并使设置开销很大）。

其他算法：

我真的只对空间O(1)的算法感兴趣，并且预处理开销很低，所以我没有那么多关注它们的最坏情况。至少Boyer-Moore（未经修改使其成为O(n)）有一个非常重要的最坏情况，它变为O(nm)。

Answer 2

不直接回答你的问题，但你可能会发现书中的算法 - 字符串，树和序列算法：计算机科学和计算生物学 - 有趣（在子字符串搜索上有许多新颖的算法）。此外，它也是特殊和复杂案件的良好来源。

Answer 3

一个可能提供有趣统计数据的程序，但我现在没时间进行测试：

随机化字符串长度， 然后随机化该长度的字符串内容， 然后随机化一个子串的偏移/长度（可能不在字符串中）， 然后随机地破坏子串（可能根本没有）， 重复。

Answer 4

您可以通过以下方式递归生成容器字符串（分别包含测试值），

从空字符串开始，通过向左侧或右侧（两者）添加字母表中的字符，生成当前集合中字符串扩充所给出的所有字符串。

用于生成容器字符串的字母表由您选择。

您为包含的字符串测试2个字母。一个是组成容器字符串的，另一个是它的补充。