[论文解读] Extensive Simulations for Longest Common Subsequences: Finite Size Scaling, a Cavity Solution, and Configuration Space properties

Jacques Boutet de Monvel|arXiv (Cornell University)|Sep 21, 1998

Algorithms and Data Compression参考文献 25被引用 26

一句话总结

本文通过大规模蒙特卡洛模拟研究了随机字符串中最长公共子序列（LCS）问题，提出了一种有限尺寸标度定律，能够精确外推渐近LCS长度。该研究推导出伯努利匹配模型的类似腔体的解析解，与模拟结果高度一致，并为随机字符串模型提供了强有力的近似，尤其在字母表大小S增大时表现更优。

ABSTRACT

The Longest Common Subsequence (LCS) Problem asks for the longest sequence of (non-contiguous) matches between two given strings of characters. Using extensive Monte Carlo simulations, we find a finite size scaling law of the form E(L)/N =C + A/(N^1/2 ln N)+... for the mean LCS length of two random strings of size N over S letters. We provide precise estimates of C for S between 2 and 15. We consider also a related Bernoulli Matching model where the different entries of an N times M array are independently occupied with probability 1/S. In that case we find the expression of the limit of L(N,M)/N as N grows to infinity, as a function of r=M/N. This expression provides a very good approximation for the Random String model, which gets more and more accurate as S increases. The question of the ``universality class'' of the LCS problem is also considered. For the Bernoulli Matching model we find very good agreement with recent scaling predictions of Hwa and Lassig for Needleman-Wunsch sequence alignment. We find however that the variance of the LCS length has a different scaling different in the Random String model, suggesting that long-ranged correlations among the matches are relevant in this model. We finally study the ``ground state'' properties of this problem. We find in particular that the number of solutions typically grows exponentially with N, i.e. this system has a residual entropy at T=0. Also the overlap between two LCSs chosen at random is found to be self averaging and to aproach a definite value q(S)<1 as N grows.

研究动机与目标

• 通过有限尺寸标度提高随机字符串中渐近LCS长度常数γS的精度。
• 通过将随机字符串模型与简化的伯努利匹配模型进行比较，探究LCS问题的普遍性类。
• 分析解空间的统计特性，包括最优LCS的数量及其典型重叠度。
• 考察长程相关性在LCS长度方差标度中的作用，与标准渗滤模型进行对比。

提出的方法

• 对大小为N的随机字符串执行大规模蒙特卡洛模拟，以估计平均LCS长度E(LN)。
• 提出有限尺寸标度定律：E(LN)/N = γS + AS/(ln(N√N)) + …，用于从有限-N数据外推γS。
• 引入伯努利匹配模型，其中在N×N矩阵中，匹配以概率1/S独立发生。
• 应用类似腔体的平均场方法，推导出通过时间函数的解析表达式γSB(r) = (2√(rS) - r - 1)/(S - 1)。
• 将解析得到的γSB(r)与模拟结果进行比较，以验证腔体方法并评估其准确性。
• 分析最优LCS的数量及其重叠度，以评估解空间结构与自平均行为。

实验结果

研究问题

• RQ1 随机字符串中平均LCS长度的有限尺寸标度行为如何？是否可以建立准确模型以改进渐近常数γS的估计？
• RQ2 针对伯努利匹配模型的类似腔体解析解在近似更复杂的随机字符串模型LCS行为方面有多准确？
• RQ3 LCS问题是否属于与定向聚合物或首达时间渗滤相同的普遍性类，特别是在方差标度方面？
• RQ4 解空间的本质是什么？最优LCS的数量是否随字符串长度呈指数增长？两个随机选取的LCS之间的典型重叠度如何？
• RQ5 随机字符串模型中匹配的长程相关性是否影响LCS长度的方差标度？它们如何影响普遍性？

主要发现

• 有限尺寸标度定律E(LN)/N = γS + AS/(ln(N√N)) + … 提供了一种高度精确的方法，用于外推渐近LCS长度，显著改进了2 ≤ S ≤ 15范围内的γS估计值。
• 从腔体方法导出的伯努利匹配模型表达式γSB(r) = (2√(rS) - r - 1)/(S - 1) 与数值模拟结果高度一致，并在S增大时为随机字符串模型提供了强有力的近似。
• 最优LCS数量NLCS随N呈指数增长，表明系统不满足能斯特原理，且解通常互不相同。
• 两个随机选取的LCS之间的重叠度是自平均的，并在N → ∞时趋近于一个非零常数qS < 1，证实了存在一个庞大且多样的解空间。
• 在伯努利匹配模型中，LCS长度的方差Var(LN)呈现N^2/3的标度，但在随机字符串模型中表现出不同的标度，表明长程相关性具有影响，并可能影响普遍性类。
• 结果表明，像Needleman-Wunsch模型中引入的间隙惩罚可能抑制长程相关性的影响，延长小-N标度区间，并可能掩盖未惩罚模型中观察到的真实普遍性行为。