假设你有很多字符串：
{'Ape','Bed','Car','Desk','Edge',...}
并且您必须将该集写入文件。但是字符串出现的顺序是任意的（您只需要存储/检索该集合）。
由于集合可能很大，因此您需要对其进行压缩，例如使用gzip。我对排序集合的方式感兴趣，以便优化压缩率。按字母顺序排序看起来像是一个有价值的候选者，因为它意味着如果gzip压缩＆＃34;帧＆＃34;，它将看到许多以相同子字符串开头的字符串：在开头它可以进行例如编码AAA更短，最后ZZY可能被编码为短。
我已经通过排序字符串运行了一些测试。例如，测试集strings（92 274个字符串）生成：
-rw-rw-r-- 1 willem willem 296K Jan 19 18:52 strings_norm.gz
-rw-rw-r-- 1 willem willem 419K Jan 19 18:52 strings_shuf.gz
-rw-rw-r-- 1 willem willem 241K Jan 19 19:00 strings_norm.7z
-rw-rw-r-- 1 willem willem 374K Jan 19 19:01 strings_shuf.7z
其中_norm是排序列表，_shuf是其重排列表。这些字符串最初只用utf-8编码，并在字之间添加新行。一个更易于访问的测试集可能是你在大多数Linux发行版上找到的美国词典（可能位于/usr/share/dict/american-english; 99 171个单词）：
-rw-rw-r-- 1 willem willem 208K Jan 19 19:40 american_norm.7z
-rw-rw-r-- 1 willem willem 250K Jan 19 19:39 american_norm.gz
-rw-rw-r-- 1 willem willem 352K Jan 19 19:40 american_shuf.7z
-rw-rw-r-- 1 willem willem 439K Jan 19 19:40 american_shuf.gz
这些是通过以下方式生成的：
sort /usr/share/dict/american-english | gzip > american_norm.gz
shuf /usr/share/dict/american-english | gzip > american_shuf.gz
sort /usr/share/dict/american-english | 7z a american_norm.7z -si
shuf /usr/share/dict/american-english | 7z a american_shuf.7z -si
正如您所看到的，gzip和7z分别增加了29％-43％和35％-40％。第一个评论是，通过对两种压缩算法进行排序，性能更好，因此假设即尽管压缩率会有所不同，但可以说有好的＆＃34;好的＆＃34;订单和＆＃34;坏＆＃34;其中：几乎所有压缩算法都比其他排序获得更好的速率。当然有可能是一个＆＃34;洗牌＆＃34;数据集的表现会更好，但可能性并不高。我想知道是否存在更高级的方法。毕竟通过排序，字符串可能会以相同的子字符串开头，但另一种排序方式可能会找到共同具有大子字符串的字符串，例如apple，apples，dapple， pineapple等等。
这个问题很可能 - 就像最有趣的问题一样 - NP-hard，但是我想知道是否存在一些启发式方法可以用来优化字符串压缩，因为字符串的顺序无关紧要。