正则表达式关系判定

成绩

Description

对于两个正则表达式 r 和 s,判断这两个正则表达式的关系。正则表达式的关系有 4 种:

  1. r 和 s 等价,即 r 描述的语言和 s 描述的语言相等;
  2. r 描述的语言是 s 描述的语言的真子集;
  3. s 描述的语言是 r 描述的语言的真子集;
  4. 非上述情况。

输入的正则表达式只包含小写字母a-z, |, *, ?, +, E, (, )。其中,a-z是所描述语言字符集中的字符,E 表示 epsilon(空串),其它符号含义和教材相同。

请编写一个 C++ 程序实现上述功能。

Input

第一行是测试数组的组数 T。

接下来的 T 行,每行是两个正则表达式 r 和 s,每个正则表达式只包含 a-z, |, \*, ?, +, E, (, )。两个正则表达式之间用一个空格隔开。

Output

输出有 T 行。对于每组数据,如果 r 和 s 等价,输出 =;如果 r 是 s 的真子集,输出 <;如果 s 是 r 的真子集,输出 >;非上述情况,输出 !

实验原理

要判断两个正则表达式的关系,我有如下的思路:

  1. 正则表达式转成中缀表达式
  2. 中缀表达式转成后缀表达式
  3. 后缀表达式转成非确定有限自动机
  4. 非确定有限自动机转成确定有限自动机
  5. 判断两个确定有限自动机的关系
flowchart TB
subgraph 正则表达式转成中缀表达式
正则表达式R
正则表达式S
end
subgraph 中缀表达式转成后缀表达式
中缀表达式R
中缀表达式S
end
subgraph 后缀表达式转成非确定有限自动机
后缀表达式R
后缀表达式S
end
subgraph 非确定有限自动机转成确定有限自动机
非确定有限自动机R
非确定有限自动机S
end
subgraph 判断两个确定有限自动机的关系
确定有限自动机R
确定有限自动机S
end
正则表达式R-->中缀表达式R
中缀表达式R-->后缀表达式R
后缀表达式R-->非确定有限自动机R
非确定有限自动机R-->确定有限自动机R
正则表达式S-->中缀表达式S
中缀表达式S-->后缀表达式S
后缀表达式S-->非确定有限自动机S
非确定有限自动机S-->确定有限自动机S
确定有限自动机R--是否包含-->确定有限自动机S
确定有限自动机S--是否包含-->确定有限自动机R

算法的大致流程如上图,接下来我详细介绍每一部分的算法。

正则表达式转成中缀表达式

这一步主要将正则表达式中省略的连接运算符(&,即 cat)加上,方便计算机运算。需要添加 & 的有六种情况:

  1. 两个字符相连,如 aa
  2. 字符和左括号相连,如 a(
  3. 单目运算符和字符相连,如 *a
  4. 单目运算符和左括号相连,如 *(
  5. 右括号和字符相连,如)a
  6. 右左括号相连,如 )(

总结起来就是:当第一位是字符、单目运算符或右括号,且第二位为字符或左括号时,需要在他们中间加一个连接运算符。于是很容易得到下面的代码。

string regex_to_infix(string s)
{
	for (int i = 0; i + 1 < s.size(); ++i)
		if (isalpha(s[i]) || s[i] == '?' || s[i] == '+' || s[i] == '*' || s[i] == ')')
			if (isalpha(s[i + 1]) || s[i + 1] == '(')
				s.insert(i + 1, "&");
	return s;
}

以表达式(a|b)*abb为例,预处理后的表达式为:(a|b)*&a&b&b。要注意,此处运算符的优先级别从高到低依次为:

  1. 单目运算符 ?+*
  2. 连接运算符 &
  3. 或运算符 |

中缀表达式转成后缀表达式

之前的实验 里已经做过中缀转后缀的程序了,稍作修改就可以用在本程序中。转换过程中用到一个运算符栈,具体过程如下:

  1. 如果遇到字符,直接将其输出。
  2. 如果遇到运算符:
    • 遇到左括号 ( 直接压入栈中;
    • 遇到右括号 ) 重复将栈里的运算符弹出直到遇到 (,将 ( 弹栈但不输出;
    • 遇到其他运算符:
      • 如果栈为空,直接将运算符压入栈中;
      • 如果栈不为空,弹出栈中优先级大于等于当前运算符的运算符并输出,再将当前运算符入栈。

当输入串读取完之后,如果栈不为空,则将栈中元素依次出栈并输出。

string infix_to_suffix(const string &s)
{
	string str, stak;
	static const unordered_map<char, int> priority{
		{'?', 3},
		{'+', 3},
		{'*', 3},
		{'&', 2},
		{'|', 1},
		{'(', 0}};
	for (int i = 0; i < s.size(); ++i)
	{
		if (isalpha(s[i]))
			str.push_back(s[i]);
		else if (s[i] == ')')
		{
			while (stak.back() != '(')
			{
				str.push_back(stak.back());
				stak.pop_back();
			}
			stak.pop_back();
		}
		else if (s[i] == '(')
			stak.push_back(s[i]);
		else
		{
			while (!stak.empty() && priority.at(stak.back()) >= priority.at(s[i]))
			{
				str.push_back(stak.back());
				stak.pop_back();
			}
			stak.push_back(s[i]);
		}
	}
	str.insert(str.end(), stak.rbegin(), stak.rend());
	return str;
}

后缀表达式转成非确定有限自动机

我认为这一步是本次实验的核心。我设计了一个图结构于存储非确定有限自动机,其包含下述内容:

  1. 边集 e,其中每条有向边包含
    • 起点 first
    • 终点 second
    • 迁移字符 ch
  2. 点集 v,其中每个顶点包含
    • 出边表 o,保存每条以当前顶点为起点的边的序号
    • 是否为接收状态 isAccepted
  3. 增加一条边 void add(const Edge &ed);
    • 当加入边的顶点大小超过当前点集大小的时候会自动扩张
  4. 计算一个图上顶点集合的闭包 vector<int> closure(vector<int> se) const;
    • 后续 NFA 转 DFA 时会用到
  5. 计算一个集合的 a_move vector<int> a_move(const vector<int> &se, char a) const;
    • 后续 NFA 转 DFA 时会用到
struct Graph
{
	struct Vertex
	{
		vector<int> o;
		int isAccepted;
		Vertex() : isAccepted(0), o(0) {}
	};
	struct Edge
	{
		int first, second;
		char ch;
	};
	vector<Vertex> v;
	vector<Edge> e;
	Graph(int n = 0) : v(n) {}
	void add(const Edge &ed);
	vector<int> closure(vector<int> se) const;
	vector<int> a_move(const vector<int> &se, char a) const;
};

转换过程中要用到一个保存顶点对的栈。按顺序读取后缀表达式,每次读取一个字符,然后根据读取的不同字符,按照不同策略更新当前的图,详见下文。最后栈顶的顶点对 {fi, se} 就是所得 NFA 的初始状态和唯一接受状态;为方便起见,我又按照如下方式连边:

flowchart LR
0--E-->fi
fi-.->se
se--E-->1

这样所得到的 NFA 一定是以状态 0 作为初始状态,状态 1 作为唯一接收状态。

遇到字符

如果遇到字符(此处用a代替),则在图上新建两个顶点 fise,在他们之间连一条迁移字符为 a 的边,如下图所示。

flowchart LR
fi--a-->se

然后将顶点对 {fi, se} 压栈。

int fi = nfa.v.size(),
	se = nfa.v.size() + 1;
nfa.add({fi, se, s[i]});
stak.push_back({fi, se});

遇到 *

如果遇到闭包运算符 *,则在图上新建两个顶点 fise,从栈中弹出一个顶点对 {fi1, se1},按照如下方式连边(其中fi1se1的边已经在之前连过了,无需重连):

flowchart LR
fi--E-->se
fi--E-->fi1
fi1-.->se1
se1--E-->fi

然后将顶点对 {fi, se} 压栈。

int fi = nfa.v.size(),
	se = nfa.v.size() + 1,
	fi1 = stak.back().first,
	se1 = stak.back().second;
stak.back() = {fi, se};
nfa.add({fi, se, 'E'});
nfa.add({fi, fi1, 'E'});
nfa.add({se1, fi, 'E'});

遇到 ?

虽然可以直接把正则表达式中 a? 转换成 E|a,但是在前缀表达式转中缀表达式过程中做转换有些复杂,因此这一步放在创建自动机的过程中。

在图上新建两个顶点 fise,从栈中弹出一个顶点对 {fi1, se1},按照如下方式连边(其中fi1se1的边已经在之前连过了,无需重连):

flowchart LR
fi--E-->se
fi--E-->fi1
fi1-.->se1
se1--E-->se

然后将顶点对 {fi, se} 压栈。

int fi = nfa.v.size(),
	se = nfa.v.size() + 1,
	fi1 = stak.back().first,
	se1 = stak.back().second;
stak.back() = {fi, se};
nfa.add({fi, se, 'E'});
nfa.add({fi, fi1, 'E'});
nfa.add({se1, se, 'E'});

遇到 +

虽然可以直接把正则表达式中 a+ 转换成 aa*,但是在前缀表达式转中缀表达式过程中做转换有些复杂,因此这一步放在创建自动机的过程中。

不需要创建新节点,直接从栈中弹出一个顶点对 {fi, se},按照如下方式连边(其中一条边已经在之前连过了,无需重连):

flowchart LR
fi-.->se
se--E-->fi

然后将顶点对 {fi, se} 重新压栈。

int fi1 = stak.back().first,
	se1 = stak.back().second;
nfa.add({se1, fi1, 'E'});

遇到 &

不需要创建新节点,直接从栈中弹出两个顶点对 {fi1, se1}{fi2, se2},按照如下方式连边(其中两条边已经在之前连过了,无需重连):

flowchart LR
fi1-.->se1
fi2-.->se2
se1--E-->fi2

然后将顶点对 {fi1, se2} 重新压栈。

int fi2 = stak.back().first,
	se2 = stak.back().second;
stak.pop_back();
int fi1 = stak.back().first,
	se1 = stak.back().second;
stak.back().second = se2;
nfa.add({se1, fi2, 'E'});

遇到 |

在图上新建两个顶点 fise,从栈中弹出两个顶点对 {fi1, se1}{fi2, se2},按照如下方式连边(其中两条边已经在之前连过了,无需重连):

flowchart LR
fi1-.->se1
fi2-.->se2
fi--E-->fi1
fi--E-->fi2
se1--E-->se
se2--E-->se

然后将顶点对 {fi, se} 重新压栈。

int fi2 = stak.back().first,
	se2 = stak.back().second;
stak.pop_back();
int fi = nfa.v.size(),
	se = nfa.v.size() + 1,
	fi1 = stak.back().first,
se1 = stak.back().second;
stak.back() = {fi, se};
nfa.add({fi, fi1, 'E'});
nfa.add({fi, fi2, 'E'});
nfa.add({se1, se, 'E'});
nfa.add({se2, se, 'E'});

非确定有限自动机转成确定有限自动机

此处使用了课本上的算法,其算法如下:

  1. 一开始 d_state 中只有一个状态 nfa.closure({0}),且无标记
  2. 选择 d_state 中一个无标记的状态 T
  3. T 打标记
  4. 对于每个输入字符 a
    1. 计算 U = nfa.closure(nfa.a_move(se, a))
    2. 如果 U 不在 d_state 中,将 U 加入 d_state 且不打标记
    3. 建立转移状态 {T, U, a}
  5. 如果 d_state 中存在一个无标记的状态返回第二步,否则算法结束

其中,计算闭包和 a_move 均只要在图上遍历一下即可,此处不再详述。

Graph nfa_to_dfa(const Graph &nfa)
{
	struct ID : map<vector<int>, int>
	{
		int ask(const vector<int> &v)
		{
			if (count(v))
				return at(v);
			int s = size();
			return insert({v, s}), s;
		}
	} d_state;
	Graph dfa;
	for (vector<vector<int>> stak(1, nfa.closure({0})); !stak.empty();)
	{
		vector<int> se = stak.back();
		stak.pop_back();
		int id = d_state.ask(se);
		for (char a = 'a'; a <= 'z'; ++a)
		{
			vector<int> se2 = nfa.closure(nfa.a_move(se, a));
			if (!d_state.count(se2))
				stak.push_back(se2);
			dfa.add({id, d_state.ask(se2), a});
		}
	}
	for (ID::iterator it = d_state.begin(); it != d_state.end(); ++it)
		if (find(it->first.begin(), it->first.end(), 1) != it->first.end())
			dfa.v[it->second].isAccepted = 1;
	return dfa;
}

判断两个确定有限自动机的关系

这一步才是主要实现实验要求的部分,实际上这里只要实现一个检查“包含”关系的函数即可,然后按照

  1. 如果 r 包含 s 且 s 包含 r,则 r 和 s 等价
  2. 如果 r 不包含 s 且 s 包含 r,则 r 描述的语言是 s 描述的语言的真子集
  3. 如果 r 包含 s 且 s 不包含 r,则 s 描述的语言是 r 描述的语言的真子集
  4. 非上述情况

得到答案。而要判断有限自动机的包含关系,可以通过一次搜索遍历完成。

int contain(const Graph &lhs, const Graph &rhs)
{
	vector<vector<int>> vis(lhs.v.size(), vector<int>(rhs.v.size(), 0));
	for (vector<pair<int, int>> q(vis[0][0] = 1, {0, 0}); !q.empty();)
	{
		int xl = q.back().first,
			xr = q.back().second;
		q.pop_back();
		if (lhs.v[xl].isAccepted < rhs.v[xr].isAccepted)
			return 0;
		for (int i = 0; i < lhs.v[xl].o.size(); ++i)
		{
			int yl = lhs.e[lhs.v[xl].o[i]].second,
				yr = rhs.e[rhs.v[xr].o[i]].second;
			if (!vis[yl][yr])
				vis[yl][yr] = 1, q.push_back({yl, yr});
		}
	}
	return 1;
}

这段代码同时经过了 History of Languages 这道题目的测试,可以验证它的正确性!

实验过程

我的实验环境是:

  • Intel(R) Core(TM) i7-6567U CPU @3.30GHZ 3.31GHz
  • 8.00GB RAM
  • Windows 10 2004 19041.264, 64-bit
    • Visual Studio Code 1.47.0
      • Remote - WSL 0.44.4:配合 WSL,在 Windows 上获得 Linux 接近原生环境的体验。
    • Windows Subsystem for Linux [Ubuntu 20.04 LTS]:WSL 是以软件的形式运行在 Windows 下的 Linux 子系统,是近些年微软推出来的新工具,可以在 Windows 系统上原生运行 Linux。
      • gcc version 9.3.0 (Ubuntu 9.3.0-10ubuntu2)

在 Linux 终端依次执行下述指令可以将我的代码 regex_cmp.cpp 编译成可执行文件 regex_cmp。然后运行这个程序并计时,将输入重定向到 input.txt,将输出重定向到 output.txt

$ g++ -std=c++11 -O3 -o regex_cmp regex_cmp.cpp
$ time ./regex_cmp < input.txt > output.txt

real    0m0.010s
user    0m0.000s
sys     0m0.000s

可以看到,在我的机器上,十组测试数据只花费了十毫秒左右的时间就全部计算完毕,运行效率还是非常高的。

样例输入 input.txt

这里我构造了十组测试数据。前六组测试数据分别用于检验我的程序能不能够正确处理 ?+*&(正则表达式中省略了连接运算符)、|E(空集);第七到第十组数据是我构造的复杂一点的例子,其中第十组数据识别的语言也是之前作业写过的“小小语言”(将原字符集中的 / 换成 a)。

10
a a?
a a+
a a*
a ab
a a|b
a* (a|E)*
a(a|b)* a(ab)?+b
a(a|b)* a(ab)*b
a(ab)*b a(a|b)*ab
ao(o*z|a)*o+a aoa*(za*|o)*oa

样例输出 output.txt

容易手动验证这里结果的正确性。

<
<
<
!
<
=
>
>
!
=

测试数据 testdata.in

这组数据是老师提供的,当然我的结果也是正确的。

5
((E|a)b*)* (a|b)*
b*a*b?a* b*a*ba*|b*a*
b*a*b?a* (b*|a*)(b|E)a*
(c|d)*c(c|d)(c|d) (c|d)*d(c|d)(c|d)
x+y+z+ x*y*z*

测试答案 testdata.out

=
=
>
!
<

源代码 regex_cmp.cpp

得益于(自认为)非常不错的数据封装,此处仅用了不到 240 行代码(且未压行)就实现了所有功能!(网上一些实现 仅将正则表达式转成自动机就用了近一千行代码)

#include <bits/stdc++.h>
using namespace std;
struct Graph
{
	struct Vertex
	{
		vector<int> o;
		int isAccepted;
		Vertex() : isAccepted(0), o(0) {}
	};
	struct Edge
	{
		int first, second;
		char ch;
	};
	vector<Vertex> v;
	vector<Edge> e;
	Graph(int n = 0) : v(n) {}
	void add(const Edge &ed)
	{
		if (v.size() < max(ed.first, ed.second) + 1)
			v.resize(max(ed.first, ed.second) + 1);
		v[ed.first].o.push_back(e.size());
		e.push_back(ed);
	}
	vector<int> closure(vector<int> se) const
	{
		vector<int> vis(v.size(), 0);
		while (!se.empty())
		{
			int u = se.back();
			se.pop_back();
			vis[u] = 1;
			for (int i = 0, k; i < v[u].o.size(); ++i)
				if (k = v[u].o[i], !vis[e[k].second] && e[k].ch == 'E')
				{
					vis[e[k].second] = 1;
					se.push_back(e[k].second);
				}
		}
		for (int i = 0; i < vis.size(); ++i)
			if (vis[i])
				se.push_back(i);
		return se;
	}
	vector<int> a_move(const vector<int> &se, char a) const
	{
		vector<int> vis(v.size(), 0), ans;
		for (int j = 0; j < se.size(); ++j)
			for (int u = se[j], i = 0, k; i < v[u].o.size(); ++i)
				if (k = v[u].o[i], e[k].ch == a && !vis[e[k].second])
					vis[e[k].second] = 1;
		for (int i = 0; i < vis.size(); ++i)
			if (vis[i])
				ans.push_back(i);
		return ans;
	}
};
string regex_to_infix(string s)
{
	for (int i = 0; i + 1 < s.size(); ++i)
		if (isalpha(s[i]) || s[i] == '?' || s[i] == '+' || s[i] == '*' || s[i] == ')')
			if (isalpha(s[i + 1]) || s[i + 1] == '(')
				s.insert(i + 1, "&");
	return s;
}
string infix_to_suffix(const string &s)
{
	string str, stak;
	static const unordered_map<char, int> priority{
		{'?', 3},
		{'+', 3},
		{'*', 3},
		{'&', 2},
		{'|', 1},
		{'(', 0}};
	for (int i = 0; i < s.size(); ++i)
	{
		if (isalpha(s[i]))
			str.push_back(s[i]);
		else if (s[i] == ')')
		{
			while (stak.back() != '(')
			{
				str.push_back(stak.back());
				stak.pop_back();
			}
			stak.pop_back();
		}
		else if (s[i] == '(')
			stak.push_back(s[i]);
		else
		{
			while (!stak.empty() && priority.at(stak.back()) >= priority.at(s[i]))
			{
				str.push_back(stak.back());
				stak.pop_back();
			}
			stak.push_back(s[i]);
		}
	}
	str.insert(str.end(), stak.rbegin(), stak.rend());
	return str;
}
Graph suffix_to_nfa(const string &s)
{
	vector<pair<int, int>> stak;
	Graph nfa(2);
	for (int i = 0; i < s.size(); ++i)
	{
		if (s[i] == '?')
		{
			int fi = nfa.v.size(),
				se = nfa.v.size() + 1,
				fi1 = stak.back().first,
				se1 = stak.back().second;
			stak.back() = {fi, se};
			nfa.add({fi, se, 'E'});
			nfa.add({fi, fi1, 'E'});
			nfa.add({se1, se, 'E'});
		}
		else if (s[i] == '+')
		{
			int fi1 = stak.back().first,
				se1 = stak.back().second;
			nfa.add({se1, fi1, 'E'});
		}
		else if (s[i] == '*')
		{
			int fi = nfa.v.size(),
				se = nfa.v.size() + 1,
				fi1 = stak.back().first,
				se1 = stak.back().second;
			stak.back() = {fi, se};
			nfa.add({fi, se, 'E'});
			nfa.add({fi, fi1, 'E'});
			nfa.add({se1, fi, 'E'});
		}
		else if (s[i] == '&')
		{
			int fi2 = stak.back().first,
				se2 = stak.back().second;
			stak.pop_back();
			int fi1 = stak.back().first,
				se1 = stak.back().second;
			stak.back().second = se2;
			nfa.add({se1, fi2, 'E'});
		}
		else if (s[i] == '|')
		{
			int fi2 = stak.back().first,
				se2 = stak.back().second;
			stak.pop_back();
			int fi = nfa.v.size(),
				se = nfa.v.size() + 1,
				fi1 = stak.back().first,
				se1 = stak.back().second;
			stak.back() = {fi, se};
			nfa.add({fi, fi1, 'E'});
			nfa.add({fi, fi2, 'E'});
			nfa.add({se1, se, 'E'});
			nfa.add({se2, se, 'E'});
		}
		else
		{
			int fi = nfa.v.size(), se = nfa.v.size() + 1;
			nfa.add({fi, se, s[i]});
			stak.push_back({fi, se});
		}
	}
	nfa.add({0, stak.back().first, 'E'});
	nfa.add({stak.back().second, 1, 'E'});
	nfa.v[1].isAccepted = 1;
	return nfa;
}
Graph nfa_to_dfa(const Graph &nfa)
{
	struct ID : map<vector<int>, int>
	{
		int ask(const vector<int> &v)
		{
			if (count(v))
				return at(v);
			int s = size();
			return insert({v, s}), s;
		}
	} d_state;
	Graph dfa;
	for (vector<vector<int>> stak(1, nfa.closure({0})); !stak.empty();)
	{
		vector<int> se = stak.back();
		stak.pop_back();
		int id = d_state.ask(se);
		for (char a = 'a'; a <= 'z'; ++a)
		{
			vector<int> se2 = nfa.closure(nfa.a_move(se, a));
			if (!d_state.count(se2))
				stak.push_back(se2);
			dfa.add({id, d_state.ask(se2), a});
		}
	}
	for (ID::iterator it = d_state.begin(); it != d_state.end(); ++it)
		if (find(it->first.begin(), it->first.end(), 1) != it->first.end())
			dfa.v[it->second].isAccepted = 1;
	return dfa;
}
int contain(const Graph &lhs, const Graph &rhs)
{
	vector<vector<int>> vis(lhs.v.size(), vector<int>(rhs.v.size(), 0));
	for (vector<pair<int, int>> q(vis[0][0] = 1, {0, 0}); !q.empty();)
	{
		int xl = q.back().first,
			xr = q.back().second;
		q.pop_back();
		if (lhs.v[xl].isAccepted < rhs.v[xr].isAccepted)
			return 0;
		for (int i = 0; i < lhs.v[xl].o.size(); ++i)
		{
			int yl = lhs.e[lhs.v[xl].o[i]].second,
				yr = rhs.e[rhs.v[xr].o[i]].second;
			if (!vis[yl][yr])
				vis[yl][yr] = 1, q.push_back({yl, yr});
		}
	}
	return 1;
}
int main()
{
	int t;
	for (cin >> t; t--;)
	{
		string a, b;
		cin >> a >> b;
		const Graph
			dfa = nfa_to_dfa(suffix_to_nfa(infix_to_suffix(regex_to_infix(a)))),
			dfb = nfa_to_dfa(suffix_to_nfa(infix_to_suffix(regex_to_infix(b))));
		cout << "!<>="[contain(dfa, dfb) << 1 | contain(dfb, dfa)] << "\n";
	}
}