2009 英特尔® 线程挑战赛 第四题 字符串搜索！

[denghui0815]

字符串搜索

问题描述：写一个线程程序来搜索用字符串表示的 DNA 序列的数据库，来找到可以匹配的其他 DNA 序列。数据库和查询字符串由四个字符组成：'A', 'C', 'G'. 和 'T' 。对于每个输入的搜索查询字符串，输出必须报告任何输入 DNA 序列内的精确匹配位置。如果查询字符串与数据库内的多个序列匹配，必须报告每个结果;如果查询字符串与同一个数据库序列的多个位置匹配，必须报告完全匹配的那个最早出现的位置。这个问题（资料库档案，查询档案，输出结果）的文件名将在命令行上给出。

文件格式：输入数据库和查询档案将具有相同的格式。每个序列将以大于字符('>')开始，紧跟序列来源的描述，描述不超过 131 个字符。序列会在下一行开始，持续几行。每一行都将包含'A', 'C', 'G'. 和'T'集合的整 80 个字符，除了最后一行，可能会少于80个字符。在最后一行之后将是从下一个序列直至文件末尾的描述符，文件末尾将由描述符（">EOF" ）表示 。

对于包含在第二个输入文件的每个查询字符串，输出文件应打印查询序列的描述符和数据库序列的描述符，这个数据库序列包含一个匹配和此匹配在数据库序列内的位置。如果在任何数据库序列内，都没有找到查询序列字符串，应在查询描述符之后打印出一个相关消息来体现这个结果。

计时：总执行时间将用于计分。这允许输入数据库序列的编码或压缩在输入期间完成（如果你的算法采用这种转换）

[haojn]

如果查询字符串与数据库内的多个序列匹配，必须报告每个结果;如果查询字符串与同一个数据库序列的多个位置匹配，必须报告完全匹配的那个最早出现的位置。

这句话啥意思。。。

[denghui0815]

英文论坛上有讨论 你去看看

[haojn]

我发现这个可以查看总分数（每题多加了100分）
http://software.intel.com/en-us/contests/Threading-Challenge-2009/contest_services.php?count=100&contestid=32

[denghui0815]

恩 英文论坛上有人发过这个链接

[ktty445655619]

你这个题目是哪里来的啊？？？

[denghui0815]

http://software.intel.com/zh-cn/contests/Threading-Challenge-2009/codecontest.php

[haojn]

这里有些测试数据
http://www.ensembl.org/info/data/ftp/index.html

[denghui0815]

跑了一下下面这个测试数据
http://software.intel.com/file/19471
大概0.03秒
输出结果1468行

[denghui0815]

一开始考虑用了KMP BM算法
后来用了WM 也尝试过ACBM
最后实现的数据压缩的WM算法

[mybandari]

构造后缀数组

[denghui0815]

压缩后内存空间有优势， 速度会快N倍

[really3353]

mark

[haojn]

我周五才开始做，只实现了一个方法：移位+64bit比较