51nod 1490 多重游戏

5 篇文章 0 订阅
3 篇文章 0 订阅

1490 多重游戏
题目来源: CodeForces
基准时间限制:1 秒 空间限制:131072 KB 分值: 40 难度:4级算法题 收藏 关注
有一个两人游戏,游戏是这样的,有n个非空串。在游戏的过程是,两个玩家轮流向一个字符串后面加字母,刚开始字符串是空的。每一次操作是向当前字符串后面添加字符,形成的新字符串一定要是这n个串中某一个或几个的前缀,如果无法做到,就输了。
这样的游戏似乎过于简单了,现在对这个游戏进行一下改进,让玩家玩K次这样的游戏,第i次的败者,将会作为第i+1次的先手进行这个游戏。第k次游戏的赢家就是整个游戏的赢家。
现在给定n个字符串和k,问是先手胜还是后手胜。

Input
单组测试数据。
第一行有两个整数n 和 k (1 ≤ n ≤ 10^5; 1 ≤ k ≤ 10^9)
接下来n行每一行有一个非空串。字符串的总长度不超过10^5,都由小字母构成。
Output
如果先手胜输出First,否则输出Second。
Input示例
2 3
a
b
Output示例
First

分析

建立一棵trie,然后在trie上按照先手必胜 先手必败 可输可赢 不能控制4种状态进行树dp即可

代码

#include<cstdio>
#include<cmath>
#include<algorithm>
#include<queue>
#include<cstring>
#define fo(i,a,b) for(int i=a;i<=b;i++)
#define fd(i,a,b) for(int i=a;i>=b;i--)
#define fe(i,a,b) for(int i=be[a];i;i=b[i].ne)
using namespace std;
int ch[150000][26],ct;
int g[150000];
int n,k;
char st[100050];
void insert(char *s){ 
    int l=strlen(s),x=0,tc;
    fo(i,0,l-1){
        tc=s[i]-'a';
        if (!ch[x][tc])
            ch[x][tc]=++ct;
        x=ch[x][tc];
    }
}
void dfs(int x){
    bool vis=0;//
    fo(i,0,25)
        if (ch[x][i]){
            vis=1; 
            dfs(ch[x][i]);
            g[x]|=g[ch[x][i]]^3;
        }
    if (!vis) g[x]=1;
}
int main(){
    scanf("%d%d",&n,&k);
    fo(i,1,n){
        scanf("%s",st);
        insert(st);
    }
    dfs(0);
    //printf("%d\n",g[0]);
    if (g[0]==0){
        printf("Second\n");
    }
    if (g[0]==1){
        printf("Second\n");
    }
    if (g[0]==2){
        if (k&1) printf("First\n");else printf("Second\n");
    }
    if (g[0]==3){
        printf("First\n");
    }
    return 0;
}
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值