[论文解读] Doubly-Periodic String Comparison

Boris Bukh, Christopher Cox|arXiv (Cornell University)|Dec 7, 2019

Algorithms and Data Compression被引用 3

一句话总结

本文引入一种新颖的‘青蛙动力学’粒子系统，用于分析随机词 R 与双周期词 W(n) 之间最长公共子序列（LCS）的期望长度，表明 E[LCS(R, W(n))] = γW n − τW √n + O(1)，其中 γW 和 τW 为可计算常数。其主要贡献在于建立 LCS 渐近行为与相互作用粒子系统之间 rigorously 的框架，并在 W 的符号互不相同时给出 γW 的显式公式，同时提出关于随机词对中 LCS 行为的新猜想。

ABSTRACT

Let $W^{(n)}$ be the $n$-letter word obtained by repeating a fixed word $W$, and let $R_n$ be a random $n$-letter word over the same alphabet. We show several results about the length of the longest common subsequence (LCS) between $W^{(n)}$ and $R_n$; in particular, we show that its expectation is $γ_W n-O(\sqrt{n})$ for an efficiently-computable constant $γ_W$. This is done by relating the problem to a new interacting particle system, which we dub "frog dynamics". In this system, the particles (`frogs') hop over one another in the order given by their labels. Stripped of the labeling, the frog dynamics reduces to a variant of the PushTASEP. In the special case when all symbols of $W$ are distinct, we obtain an explicit formula for the constant $γ_W$ and a closed-form expression for the stationary distribution of the associated frog dynamics. In addition, we propose new conjectures about the asymptotic of the LCS of a pair of random words. These conjectures are informed by computer experiments using a new heuristic algorithm to compute the LCS. Through our computations, we found periodic words that are more random-like than a random word, as measured by the LCS.

研究动机与目标

• 理解随机词与固定周期词之间最长公共子序列（LCS）长度的期望值，将研究范围从经典的随机-随机 LCS 问题扩展至更广的背景。
• 解决关于周期设定下 LCS 常数收敛速率、分布行为及可计算性的开放问题。
• 引入一种新型相互作用粒子系统——‘青蛙动力学’，以建模和分析周期字符串中的 LCS 行为。
• 基于启发式算法与模拟结果，提出关于两随机词 LCS 的新猜想。

提出的方法

• 将 LCS 问题建模为粒子系统，其中带标签的青蛙按粗鲁程度顺序相互跳跃，形成与 PushTASEP 变体等价的动力学。
• 为青蛙动力学定义平稳分布，通过耦合论证与 Dyck 路径组合学编码 LCS 渐近行为。
• 采用递归动态规划方法，在 O(kn) 时间内计算随机词与周期词之间的 LCS，其中 k 为周期长度。
• 将 γW(ρ) 表示为密度 ρ 的分段线性、非增斜率函数，其在 τW(ρ) 首次非零的临界点处出现不连续。
• 设计一种算法，从 m-排列上的辅助青蛙动力学的平稳分布中计算 γW 与 τW，将状态空间从 k! 降低至 |Σ|·2k。
• 利用新型启发式 LCS 算法进行计算机模拟，推测两随机词对的 E[LCS(R,R′)] = γn − Θ(n^{1/3})，其中二进制情况下 γ ≈ 0.8122。

实验结果

研究问题

• RQ1 对于固定周期词 W 与随机词 R，E[LCS(R, W(n))] 的精确渐近行为是什么？
• RQ2 LCS(R, W(n)) 的分布行为如何——具体而言，其是否渐近正态，且在何种条件下成立？
• RQ3 周期词的 LCS 常数 γW 是否可高效计算，其结构如何依赖于词的符号组成？
• RQ4 是否存在某些周期词，其 LCS 期望值高于随机词，暗示其更具‘随机性’？
• RQ5 在随机-随机情形下，E[LCS(R,R′)] 的正确收敛速率为何？其方差是否随 n 线性增长？

主要发现

• 随机词 R 与 k-周期词 W(n) 之间 LCS 长度的期望值为 E[LCS(R, W(n))] = γW n − τW √n + O(1)，其中 γW 与 τW 可由 W 显式计算。
• 当词中所有符号互不相同时，γW 由符号频率的调和平均值给出闭式表达式，且青蛙动力学的平稳分布为 Dyck 路径上的均匀测度。
• 当 τW = 0 且 γW 的斜率为正，或 W 中缺少某种字母时，LCS 分布渐近正态且方差为线性；否则方差为次线性。
• 当 τW ≠ 0 时，经适当缩放后，LCS 的分布收敛于两个独立同分布高斯随机变量的最小值。
• 本文识别出某些周期二进制词（如 W = 0110111010010110010001011010），其 γW(1) ≥ 0.82118，高于随机词对的猜想值 γ ≈ 0.8122。
• 模拟结果表明，E[LCS(R,R′)] = γn − Θ(n^{1/3})，在二进制情况下 γ ≈ 0.8122，且 LCS(R,R′) 的方差可能随 n 线性增长。