之前在看哈工大的编译原理mooc（第四次开课），发现他们的算法比通用的Thompson算法好用的多：
（以下图中哈工大误写成中科大）
这两者的差异究竟能大到何种差异呢？如下图：
解决同一个RE，thompson算法转出来的NFA状态数足足多了15个！
这转DFA的时候谁顶得住啊！
经过多次实验，我发现使用哈工大算法的时候，转出来的DFA直接是状态数最小的，甚至不用Minimize状态数，这一度让我想证明出来这个算法转出来的NFA经过子集构造算法做出来的DFA状态数已经是最小的，
然后发篇paper。
但是转念一想，之所以thompson算法构造出来的NFA经过子集构造算法构造出来的DFA状态数不是最小，就是因为NFA中存在着大量的空边，那如果RE本身就存在着大量的空边，利用哈工大算法做出来的NFA转成DFA状态数也不可能是最小的，
到手的paper飞了。
但是为什么所有的书本以及学校的老师讲的都是thompson算法而不是哈工大算法呢？明明哈工大算法很好用啊！
终于有一天，骑小龟上课的路上，终于想到，如果最开始的图中，r和s代表的是一个长度不为1的字符串，那么哈工大的算法是不可行的。
比如(ab)*，用哈工大的算法就是没法画出NFA的。也就是说，大多数情况下，只有在r和s只表示一个字符的时候，用哈工大算法才能转。
虽然有这个局限性，但是我又有了新的想法，thompson算法里，哪些
ϵ
\epsilon
ϵ
边是可以不加的呢？
最后，结合陈鄞老师的回复，我得出了最简通用做题版jt Algorithm：
做题的时候，只要先用哈工大算法过一遍RE，如果发现转不了的部分，就用我的算法中对应的部分去替换相应部分即可，其他部分依然可以沿用哈工大算法，即可以混搭。
最后再说一说我对thompson算法中存在这么多多余空边的理解。
其实也很难说的出来，这是一种感受。多了这些空边，RE转DFA的递归定义就是完整的。不同的RE部分之间使用
ϵ
\epsilon
ϵ
去连接，使得RE部分和部分之间泾渭分明，多了一份从容不迫的优雅，
更多了十份题目的复杂度。
最后希望这学期cp可以满绩~
最后拿了4.5，有点可惜，考试居然让写yacc代码，跪了。