试图找出一种基本的模式发现算法

Question

长话短说，我有一些数据需要查找模式。数据是这样的（每个字符代表一个不可变的块）：dabababacdacdacdab

我希望能够将这些数据分解为以下几种块：

d（重复1次） ab（重复3次） a（1x） cda（3x） b（1x）

我熟悉基本的游程长度编码，但是当“事物”的长度可能变化时，我真的不知道怎么做（在我的例子中，cda是3块数据，但是d是一块）。我有意义吗？感谢您的帮助。

Answer 1

这里的主要困难是算法的“贪婪”和它可以产生的模糊性。根据您的示例，告诉程序不将字符串表示为：

的规则是什么

d X 1 ababab X 1＆lt;＆lt;＆lt;＆lt;＆lt;＆lt; -----这是问题所在 cda X 1 b X 1

或更糟糕的是： d X 1 abababcdab X 1

你明白我的意思。因此，您需要建立算法将遵循的一组规则，然后代码将自己编写。要深入了解这一点，您可以尝试查看grep.c中的一些正则表达式解析代码，尽管这可能比您需要的更高级。

首先，考虑以下算法： 1.限制它将扫描多远（即设置最大子串长度） 2.更喜欢较长的子串，符合＃1

例如，取“aaaaaaaaaaaaaaa”（16 a）。它可能是： 一个X 16 aa X 8 aaaa X 4 aaaaaaaa X 2 aaaaaaaaaaaaaaaa X 1

如果您将最大匹配长度设置为4并支持最长匹配，则答案是明确的：aaaa X 4.现在您可以编写算法。

Answer 2

这里的主要困难是算法的“贪婪”和它可以产生的模糊性。根据您的示例，告诉程序不将字符串表示为：

的规则是什么

d X 1 ababab X 1 cda X 1 b X 1

或更糟糕的是： d X 1 abababcdab X 1

你明白我的意思。因此，您需要建立算法将遵循的一组规则，然后代码将自己编写。要深入了解这一点，您可以尝试查看grep.c中的一些正则表达式解析代码，尽管这可能比您需要的更高级。

首先，请考虑以下算法：

1. 限制扫描前方的距离（即设置最大子字符串长度）
2. 支持更长的子串，受＃1
的限制

例如，取“aaaaaaaaaaaaaaaa”（16 a）。
它可以是以下任何一种：

a X 16

aa X 8

aaaa X 4

aaaaaaaa X 2

aaaaaaaaaaaaaaaa X 1

如果您将最大匹配长度设置为4并支持最长匹配，则答案是明确的：aaaa X 4.现在您可以编写算法。

BTW对LZW（Lempel-Ziv-Welch）的评论是正确的;这就是算法的作用，虽然它在扫描时动态地构建了一个字典，并试图用先前的字母来表达后面的项目。例如：

aaaaaaaaaaaaaaaa（其中16个）

= bbbbbbbb（其中b = aa）

= cccc（其中c = bb）

= dd（其中d = cc）

= e（其中e = dd）

这不是LZW的工作原理，但你明白了。