是否可以允许 KMP 算法中的不匹配？答案

【问题标题】：Is it possible to allow mismatches in KMP algorithm?是否可以允许 KMP 算法中的不匹配？
【发布时间】：2013-12-06 09:06:59
【问题描述】：

在将pattern 与文本进行比较时，我正在寻找一种有效的算法来允许不匹配（最多 3 个）。原始 KMP 在我的数据上有效地完成了这项工作，但正在考虑扩展此算法以适应不匹配。

对于我的情况：GACCCT 被认为与 GGGGGAGGTTTTTT 匹配，第二个序列中的起始位置为 4

我需要在两个文件之间进行成对比较。每个包含大约 500,000 个序列。一个文件中的序列相对较短（~50 个碱基），而另一个文件中的序列较长（~200）

我尝试了 Python 中的 Regex 包、Levenshtein 算法和编辑距离。但是它们很慢，我将不得不等待几周才能完成工作。

【问题讨论】：

strstr 适用于直接匹配，可能使用 strstr 之类的东西作为模式的前半部分并计算后半部分的不匹配，然后 strstr 查找后半部分并计算上半场的失配会奏效吗？当然，对于三个不匹配，您需要至少 1/4 的字符串来匹配并计算其余的不匹配...在您的示例中，找到模式中的任何一个字母就足够了，因为您最多允许三个不匹配。
另见stackoverflow.com/questions/2420412/…
去过那里，但速度是威慑。我需要到这几千亿次。这些的运行时间不是很好，因为它需要数周才能完成。这就是为什么我现在正在寻找 KMP 看看是否可以修改。
您的数据有多大（大约）？ 1 KB、1 MB、100 MB、1 GB...？
@Mehrdad，请参阅 OP。感谢您的评论

【解决方案1】：

我认为您的数据不是太大，所以也许这会起作用：
我认为您应该为您的数据创建一个suffix tree。一旦你这样做了，查找子字符串将非常容易，无论你是否想计算不匹配：你只需用你正在寻找的字符遍历树，直到你找到一个子字符串，或者找到最多数量的您可以容忍的不匹配。

【讨论】：

【解决方案2】：

如果您希望最多三个不匹配，那么有一种简单但愚蠢的算法适用于大多数实际情况。任意将您的图案分成四个连续的部分。（对他们来说，以大致相同的概率匹配随机文本位置可能很有用。）在四个连续部分的文本中找到所有匹配项。看看哪一个通过蛮力完成了最多三个不匹配的匹配。

Mehrdad 使用后缀树的解决方案总体上更好，但它需要更多的编程工作。

【讨论】：