La distancia de edición (o Levenshtein) entre dos cadenas es el número mínimo de inserciones, eliminaciones y sustituciones de un solo carácter necesarias para transformar una cadena en la otra. Si las dos cadenas tienen una longitud n cada una, es bien sabido que esto puede hacerse en tiempo O (n ^ 2) mediante programación dinámica. El siguiente código de Python realiza este cálculo para dos cadenas s1y s2.

def edit_distance(s1, s2):
    l1 = len(s1)
    l2 = len(s2)

    matrix = [range(l1 + 1)] * (l2 + 1)
    for zz in range(l2 + 1):
      matrix[zz] = range(zz,zz + l1 + 1)
    for zz in range(0,l2):
      for sz in range(0,l1):
        if s1[sz] == s2[zz]:
          matrix[zz+1][sz+1] = min(matrix[zz+1][sz] + 1, matrix[zz][sz+1] + 1, matrix[zz][sz])
        else:
          matrix[zz+1][sz+1] = min(matrix[zz+1][sz] + 1, matrix[zz][sz+1] + 1, matrix[zz][sz] + 1)
    return matrix[l2][l1]

En esta tarea, debe acercarse lo más posible a la distancia de edición pero con una restricción de memoria severa. Su código puede definir una matriz que contiene 1000 enteros de 32 bits y este será el único almacenamiento temporal que use en su cálculo. Todas las variables y estructuras de datos deben estar contenidas en esta matriz. En particular, no podrá implementar el algoritmo anterior en cuanto a las cadenas de longitud 1000, ya que requeriría que almacene al menos 1,000,000 de números. Cuando su idioma no tiene enteros de 32 bits (por ejemplo, Python), simplemente debe asegurarse de no almacenar nunca un número mayor que 2 ^ 32-1 en la matriz.

Puede leer los datos utilizando cualquier biblioteca estándar de su elección sin preocuparse por las restricciones de memoria en esa parte. Para que la competencia sea justa para la parte principal de su código, solo puede usar operaciones que sean funcionalmente equivalentes a las del lenguaje de programación C y no puede usar ninguna biblioteca externa.

Para ser más claro, la memoria para almacenar los datos de entrada o la utilizada por el intérprete de su idioma, JVM, etc. no cuenta para su límite y no puede escribir nada en el disco. Debe asumir que los datos de entrada son de solo lectura cuando están en la memoria, por lo que no puede reutilizarlos para ganar más espacio de trabajo.

¿Qué tengo que implementar?

Su código debe leer en un archivo en el siguiente formato. Tendrá tres líneas. La primera línea es la verdadera distancia de edición. El segundo es la cadena 1 y el tercero es la cadena 2. Lo probaré con los datos de muestra en https://bpaste.net/show/6905001d52e8 donde las cadenas tienen una longitud de 10,000 pero no deberían estar especializadas para estos datos. Debería generar la distancia de edición más pequeña que pueda encontrar entre las dos cadenas.

También deberá probar que su distancia de edición en realidad proviene de un conjunto válido de ediciones. Su código debe tener un interruptor que lo convierta en un modo que pueda usar más memoria (tanto como desee) y genere las operaciones de edición que le dan su distancia de edición.

Puntuación

Tu puntaje será el (optimal edit distance/divided by the edit distance you find) * 100. Para comenzar, tenga en cuenta que puede obtener una puntuación simplemente contando el número de desajustes entre las dos cadenas.

Puede usar cualquier idioma que desee que esté disponible gratuitamente y sea fácil de instalar en Linux.

Desempate

En el caso de un desempate, ejecutaré su código en mi máquina Linux y el código más rápido gana.

C ++, puntaje 92.35

Algoritmo de estimación: el algoritmo encuentra el primer lugar en el que las dos cadenas difieren, y luego intenta todas las permutaciones de operación N posibles (insertar, eliminar, reemplazar, los caracteres que coinciden se omiten sin consumir una operación). Califica cada conjunto de operaciones posible en función de cuánto más lejos coincida con éxito ese conjunto de operaciones con las dos cadenas, además de cuánto hace que las longitudes de las cadenas converjan. Después de determinar el conjunto de N operaciones con la puntuación más alta, se aplica la primera operación del conjunto, se encuentra la siguiente falta de coincidencia y el proceso se repite hasta llegar al final de la cadena.

El programa intenta todos los valores de N del 1 al 10 y selecciona el nivel que dio los mejores resultados. N = 10 es generalmente el mejor ahora que el método de puntuación toma en consideración la longitud de la cadena. Los valores más altos de N probablemente serían aún mejores, pero tomarían exponencialmente más tiempo.

Uso de la memoria: dado que el programa es puramente iterativo, necesita muy poca memoria. Solo se usan 19 variables para rastrear el estado del programa. Estos son definidos por #defines para actuar como variables globales.

Uso: El programa se usa igual que el de feersum: se supone que el primer parámetro es el archivo, y cualquier parámetro adicional indica que las ediciones deben mostrarse. El programa siempre imprime la distancia de edición estimada y la puntuación.

Salida de verificación: La salida de verificación se formateó en tres filas:

11011111100101100111100110100 110 0 0000   0 01101
R I          IR     R        D   D D    DDD D     D
01 1111110010 0001110001101000110101000011101011010

La fila superior es la cadena de destino, el medio son las operaciones y la inferior es la cadena que se está editando. Los espacios en la línea de operación indican que los caracteres coinciden. 'R' indica que la cadena de edición tiene su carácter en esa posición reemplazado por el carácter de la cadena de destino. 'I' indica que la cadena de edición tiene el carácter de la cadena de destino insertado en esa posición. 'D' indica que la cadena de edición tiene su carácter en esa posición eliminada. Las cadenas de edición y destino tienen espacios insertados cuando el otro tiene un carácter insertado o eliminado para que se alineen.

#include <stdio.h>
#include <stdlib.h>
#include <string>
#include <math.h>
#include <fstream>

int memory[1000];
#define first (*(const char **)&memory[0])
#define second (*(const char **)&memory[1])
#define block_ia memory[2]
#define block_ib memory[3]
#define block_n memory[4]
#define block_op memory[5]
#define block_o memory[6]
#define block_x memory[7]
#define n memory[8]
#define opmax memory[9]
#define best_op memory[10]
#define best_score memory[11]
#define score memory[12]
#define best_counter memory[13]
#define la memory[14]
#define lb memory[15]
#define best memory[16]
#define bestn memory[17]
#define total memory[18]

// verification variables
char printline1[0xffff]={};
char *p1=printline1;
char printline2[0xffff]={};
char *p2=printline2;
char printline3[0xffff]={};
char *p3=printline3;


// determine how many characters match after a set of operations
int block(){
    block_ia=0;
    block_ib=0;
    for ( block_x=0;block_x<block_n;block_x++){
        block_o = block_op%3;
        block_op /= 3;
        if ( block_o == 0 ){ // replace
            block_ia++;
            block_ib++;
        } else if ( block_o == 1 ){ // delete
            block_ib++;
        } else { // insert
            if ( first[block_ia] ){ 
                block_ia++;
            }
        }
        while ( first[block_ia] && first[block_ia]==second[block_ib] ){ // find next mismatch
            block_ia++;
            block_ib++;
        }
        if ( first[block_ia]==0 ){
            return block_x;
        }
    }
    return block_n;
}

// find the highest-scoring set of N operations for the current string position
void bestblock(){
    best_op=0;
    best_score=0;
    la = strlen(first);
    lb = strlen(second);
    block_n = n;
    for(best_counter=0;best_counter<opmax;best_counter++){
        block_op=best_counter;
        score = n-block();
        score += block_ia-abs((la-block_ia)-(lb-block_ib));
        if ( score > best_score ){
            best_score = score;
            best_op = best_counter;
        }
    }
}

// prepare edit confirmation record
void printedit(const char * a, const char * b, int o){
    o%=3;
    if ( o == 0 ){ // replace
        *p1 = *a;
        if ( *b ){
            *p2 = 'R';
            *p3 = *b;
            b++;
        } else {
            *p2 = 'I';
            *p3 = ' ';
        }
        a++;
    } else if ( o == 1 ){ // delete
        *p1 = ' ';
        *p2 = 'D';
        *p3 = *b;
        b++;
    } else { // insert
        *p1 = *a;
        *p2 = 'I';
        *p3 = ' ';
        a++;
    }
    p1++;
    p2++;
    p3++;
    while ( *a && *a==*b ){
        *p1 = *a;
        *p2 = ' ';
        *p3 = *b;
        p1++;
        p2++;
        p3++;
        a++;
        b++;
    }
}


int main(int argc, char * argv[]){

    if ( argc < 2 ){
        printf("No file name specified\n");
        return 0;
    }

    std::ifstream file(argv[1]);
    std::string line0,line1,line2;
    std::getline(file,line0);
    std::getline(file,line1);
    std::getline(file,line2);

    // begin estimating Levenshtein distance
    best = 0;
    bestn = 0;
    for ( n=1;n<=10;n++){ // n is the number of operations that can be in a test set
        opmax = (int)pow(3.0,n);
        first = line1.c_str();
        second = line2.c_str();
        while ( *first && *first == *second ){
            first++;
            second++;
        }
        total=0;
        while ( *first && *second ){
            bestblock();
            block_n=1;
            block_op=best_op;
            block();
            total ++;
            first += block_ia;
            second += block_ib;
        }
        // when one string is exhausted, all following ops must be insert or delete
        while(*second){
            total++;
            second++;
        }
        while(*first){
            total++;
            first++;
        }
        if ( !best || total < best ){
            best = total;
            bestn = n;
        }
    }
    // done estimating Levenshtein distance

    // dump info to prove the edit distance actually comes from a valid set of edits
    if ( argc >= 3 ){
        p1 = printline1;
        p2 = printline2;
        p3 = printline3;
        n = bestn;
        opmax = (int)pow(3.0,n);
        first = line1.c_str();
        second = line2.c_str();
        while ( *first && *first == *second ){
            *p1 = *first;
            *p2 = ' ';
            *p3 = *second;
            p1++;
            p2++;
            p3++;
            first++;
            second++;
        }
        while ( *first && *second){
            bestblock();
            block_n=1;
            block_op=best_op;
            block();
            printedit(first,second,best_op);
            first += block_ia;
            second += block_ib;
        }
        while(*second){
            *p1=' ';
            *p2='D';
            *p3=*second;
            p1++;
            p2++;
            p3++;
            second++;
        }
        while(*first){
            *p1=*first;
            *p2='I';
            *p3=' ';
            p1++;
            p2++;
            p3++;
            first++;
        }

        p1 = printline1;
        p2 = printline2;
        p3 = printline3;
        int ins=0;
        int del=0;
        int rep=0;
        while ( *p1 ){
            int a;
            for ( a=0;a<79&&p1[a];a++)
                printf("%c",p1[a]);
            printf("\n");
            p1+=a;
            for ( a=0;a<79&&p2[a];a++){
                ins += ( p2[a] == 'I' );
                del += ( p2[a] == 'D' );
                rep += ( p2[a] == 'R' );
                printf("%c",p2[a]);
            }
            printf("\n");
            p2+=a;
            for ( a=0;a<79&&p3[a];a++)
                printf("%c",p3[a]);
            printf("\n\n");
            p3+=a;
        }
        printf("Best N=%d\n",bestn);
        printf("Inserted = %d, Deleted = %d, Replaced=%d, Total = %d\nLength(line1)=%d, Length(Line2)+ins-del=%d\n",ins,del,rep,ins+del+rep,line1.length(),line2.length()+ins-del);
    }

    printf("%d, Score = %0.2f\n",best,2886*100.0/best);
    system("pause");
    return 0;
}

C ++ 75.0

El programa está diseñado para trabajar con cadenas de texto arbitrarias. Pueden tener diferentes longitudes siempre que ninguno supere los 13824 caracteres. Utiliza 1.897 enteros de 16 bits, lo que equivale a 949 enteros de 32 bits. Al principio lo escribía en C, pero luego me di cuenta de que no había función para leer una línea.

El primer argumento de la línea de comandos debe ser un nombre de archivo. Si existe un segundo argumento, se imprime un resumen de las ediciones. La primera línea del archivo se ignora, mientras que la segunda y la tercera son las cadenas.

El algoritmo es una versión doblemente bloqueada del algoritmo habitual. Realiza básicamente el mismo número de operaciones, pero, por supuesto, es mucho menos preciso, ya que si una subsecuencia común se divide sobre el borde de un bloque, se pierden muchos de los ahorros potenciales.

#include <cstring>
#include <inttypes.h>
#include <iostream>
#include <fstream>

#define M 24
#define MAXLEN (M*M*M)
#define SETMIN(V, X) if( (X) < (V) ) { (V) = (X); }
#define MIN(X, Y) ( (X) < (Y) ? (X) : (Y) )

char A[MAXLEN+1], B[MAXLEN+1];
uint16_t d0[M+1][M+1], d1[M+1][M+1], d2[M+1][M+1];

int main(int argc, char**argv)
{

    if(argc < 2)
        return 1;

    std::ifstream fi(argv[1]);

    std::string Astr, Bstr;
    for(int i = 3; i--;)
        getline(fi, i?Bstr:Astr);
    if(!fi.good()) {
        printf("Error reading file");
        return 5;
    }
    if(Astr.length() > MAXLEN || Bstr.length() > MAXLEN) {
        printf("String too long");
        return 7;
    }

    strcpy(A, Astr.c_str());
    strcpy(B, Bstr.c_str());

    uint16_t lA = Astr.length(), lB = Bstr.length();
    if(!lA || !lB) {
        printf("%d\n", lA|lB);
        return 0;
    }
    uint16_t nbA2, nbB2, bA2, bB2, nbA1, nbB1, bA1, bB1, nbA0, nbB0, bA0, bB0; //block, number of blocks
    uint16_t iA2, iB2, iA1, iB1, jA2, jB2, jA1, jB1; //start, end indices of block

    nbA2 = MIN(M, lA);
    nbB2 = MIN(M, lB);
    for(bA2 = 0; bA2 <= nbA2; bA2++) {
        iA2 = lA * (bA2-1)/nbA2,  jA2 = lA * bA2/nbA2;
        for(bB2 = 0; bB2 <= nbB2; bB2++) {
            if(!(bA2|bB2)) {
                d2[0][0] = 0;
                continue;
            }
            iB2 = lB * (bB2-1)/nbB2,  jB2 = lB * bB2/nbB2;
            d2[bA2][bB2] = ~0;
            if(bB2)
                SETMIN(d2[bA2][bB2], d2[bA2][bB2-1] + (jB2-iB2));
            if(bA2)
                SETMIN(d2[bA2][bB2], d2[bA2-1][bB2] + (jA2-iA2));

            if(bA2 && bB2) {
                nbA1 = MIN(M, jA2-iA2);
                nbB1 = MIN(M, jB2-iB2);
                for(bA1 = 0; bA1 <= nbA1; bA1++) {
                    iA1 = iA2 + (jA2-iA2) * (bA1-1)/nbA1, jA1 = iA2 + (jA2-iA2) * bA1/nbA1;
                    for(bB1 = 0; bB1 <= nbB1; bB1++) {
                        if(!(bA1|bB1)) {
                            d1[0][0] = 0;
                            continue;
                        }
                        iB1 = iB2 + (jB2-iB2) * (bB1-1)/nbB1, jB1 = iB2 + (jB2-iB2) * bB1/nbB1;
                        d1[bA1][bB1] = ~0;
                        if(bB1)
                            SETMIN(d1[bA1][bB1], d1[bA1][bB1-1] + (jB1-iB1));
                        if(bA1)
                            SETMIN(d1[bA1][bB1], d1[bA1-1][bB1] + (jA1-iA1));

                        if(bA1 && bB1) {
                            nbA0 = jA1-iA1;
                            nbB0 = jB1-iB1;
                            for(bA0 = 0; bA0 <= nbA0; bA0++) {
                                for(bB0 = 0; bB0 <= nbB0; bB0++) {
                                    if(!(bA0|bB0)) {
                                        d0[0][0] = 0;
                                        continue;
                                    }
                                    d0[bA0][bB0] = ~0;
                                    if(bB0)
                                        SETMIN(d0[bA0][bB0], d0[bA0][bB0-1] + 1);
                                    if(bA0)
                                        SETMIN(d0[bA0][bB0], d0[bA0-1][bB0] + 1);
                                    if(bA0 && bB0)
                                        SETMIN(d0[bA0][bB0], d0[bA0-1][bB0-1] + (A[iA1 + nbA0 - 1] != B[iB1 + nbB0 - 1]));
                                }
                            }
                            SETMIN(d1[bA1][bB1], d1[bA1-1][bB1-1] + d0[nbA0][nbB0]);
                        }
                    }
                }

                SETMIN(d2[bA2][bB2], d2[bA2-1][bB2-1] + d1[nbA1][nbB1]);
            }
        }
    }
    printf("%d\n", d2[nbA2][nbB2]);

    if(argc == 2)
        return 0;

    int changecost, total = 0;
    for(bA2 = nbA2, bB2 = nbB2; bA2||bB2; ) {
        iA2 = lA * (bA2-1)/nbA2,  jA2 = lA * bA2/nbA2;
        iB2 = lB * (bB2-1)/nbB2,  jB2 = lB * bB2/nbB2;
        if(bB2 && d2[bA2][bB2-1] + (jB2-iB2) == d2[bA2][bB2]) {
            total += changecost = (jB2-iB2);
            char tmp = B[jB2];
            B[jB2] = 0;
            printf("%d %d deleted {%s}\n", changecost, total, B + iB2);
            B[jB2] = tmp;
            --bB2;
        } else if(bA2 && d2[bA2-1][bB2] + (jA2-iA2) == d2[bA2][bB2]) {
            total += changecost = (jA2-iA2);
            char tmp = B[jA2];
            A[jA2] = 0;
            printf("%d %d inserted {%s}\n", changecost, total, A + iA2);
            A[jA2] = tmp;
            --bA2;
        } else {
            total += changecost = d2[bA2][bB2] - d2[bA2-1][bB2-1];
            char tmpa = A[jA2], tmpb = B[jB2];
            B[jB2] = A[jA2] = 0;
            printf("%d %d changed {%s} to {%s}\n", changecost, total, B + iB2, A + iA2);
            A[jA2] = tmpa, B[jB2] = tmpb;
            --bA2, --bB2;
        }
    }


    return 0;
}

Python, 100

Logré calcular la distancia de edición perfectamente en el límite de memoria asignado. Lamentablemente, esta entrada viola dos reglas del desafío, en carta, si no en espíritu.

Primero, en realidad no he almacenado mis datos en 1000 entradas de 32 bits. Para cadenas de 10000 caracteres, mi programa crea dos matrices de 10000 elementos que solo contendrán +1, 0 o -1. A 1.585 bits por número ternario, sería posible empaquetar esos 20000 trits en 31700 bits, dejando 300 bits como más que suficientes para mis 7 enteros restantes de 16 bits.

En segundo lugar, no he implementado el modo requerido para mostrar ediciones. Alternativamente, he implementado un modo que imprime la matriz de edición completa. Es absolutamente posible calcular la ruta de edición desde esa matriz, pero no tengo tiempo en este momento para implementarla.

#!/usr/bin/env python

import sys

# algorithm originally from
# https://en.wikipedia.org/wiki/Levenshtein_distance#Iterative_with_two_matrix_rows

print_rows = False
if len(sys.argv) > 2:
    print_rows = True

def LevenshteinDistance(s, t):
    # degenerate cases
    if s == t:
        return 0
    if len(s) == 0:
        return len(t)
    if len(t) == 0:
        return len(s)

    # create two work vectors of integer distance deltas

    # these lists will only ever contain +1, 0, or -1
    # so they COULD be packed into 1.585 bits each
    # 15850 bits per list, 31700 bits total, leaving 300 bits for all the other variables

    # d0 is the previous row
    # initialized to 0111111... which represents 0123456...
    d0 = [1 for i in range(len(t)+1)]
    d0[0] = 0        
    if print_rows:
        row = ""
        for i in range(len(t)+1):
            row += str(i) + ", "
        print row

    # d1 is the row being calculated
    d1 = [0 for i in range(len(t)+1)]

    for i in range(len(s)-1):
        # cummulative values of cells north, west, and northwest of the current cell
        left = i+1
        upleft = i
        up = i+d0[0]
        if print_rows:
            row = str(left) + ", "
        for j in range(len(t)):
            left += d1[j]
            up += d0[j+1]
            upleft += d0[j]
            cost = 0 if (s[i] == t[j]) else 1
            d1[j + 1] = min(left + 1, up + 1, upleft + cost) - left
            if print_rows:
                row += str(left+d1[j+1]) + ", "

        if print_rows:
            print row

        for c in range(len(d0)):
            d0[c] = d1[c]

    return left+d1[j+1]

with open(sys.argv[1]) as f:
    lines = f.readlines()

perfect = lines[0]
string1 = lines[1]
string2 = lines[2]
distance = LevenshteinDistance(string1,string2)
print "edit distance: " + str(distance)
print "score: " + str(int(perfect)*100/distance) + "%"

entrada de ejemplo:

2
101100
011010

ejemplo de salida detallada:

0, 1, 2, 3, 4, 5, 6,
1, 1, 1, 2, 3, 4, 5,
2, 1, 2, 2, 2, 3, 4,
3, 2, 1, 2, 3, 2, 3,
4, 3, 2, 1, 2, 3, 3,
5, 4, 3, 2, 1, 2, 3,
6, 5, 4, 3, 2, 2, 2,
edit distance: 2
score: 100%