HDU 1671 Phone List(Trie)

题目链接

题意
      给定n个电话号码,看看是否存在某些号码是别的号码的前缀,若存在,输出“NO",否则输出”YES“。

数据范围的一些限定
1 <= n <= 10000
电话号码长度不超过10个数字

思路
      暴力的做法先输入完所有的号码,然后从第一个开始到最后一个,一个一个检测当前号码是否是其他号码的前缀,判断当前号码是否是别的号码的前缀的方法大家应该都懂,就是逐个数字对比直到对比完当前号码为止。
      看到这种一个字符串跟一堆字符串逐个进行比较的操作的时候,就会想起Trie。要使用Trie的话,必须解决一个问题,怎么判断一个字符串是Trie中的某个字符串的前缀。如果字符串tmp是Trie中某个字符串的前缀,那么tmp对应的单词结点必然会有子结点,可以依此来判断。
      再看一看题目,题目要求只要有一个号码是别的号码的前缀,就输出”NO“。那么就不用把所有输入的电话号码都插入Trie了,可以边输入边判断,把当前输入的号码插入Trie中并检查Trie中是否存在一个号码是其他Trie中任一号码的前缀,存在则以后的输入不再插入Trie中,要输出什么就很容易判断了。
      边输入边判断的方法有一个要注意的地方。向Trie插入号码的时候要注意检查两件事。向Trie插入号码b时,要检查路径上已存在的结点中是否有单词结点,若有,则Trie中必然存在一个号码是号码b的前缀,反之则当前Trie中任何的非b号码都不是b的前缀。插入b的单词结点时还要检查该单词结点是否已被创建过(创建过是指有单词路过这个点,即child数组相应的值不为0),若该结点已被创建过,则b必然是Trie中某个 (至少一个,有多少个不能从子结点的个数来判断,发散一下,与题目无关) 号码的前缀,反之Trie中任何的非b号码都不以b为前缀。
      更具体一些的细节请自己看下面附上的代码吧。

      以下是代码,各种多余头文件宏定义什么的请无视,在vimrc里写好了,懒得删掉了,可以视为我在装13。如果在其中发现有错误,请指出,发表此文部分原因是希望有人能够指出我可能存在的错误。如果有人有更好的解法,请不吝赐教。

/*
 * Author:  Fiend
 * Created Time:  2013/4/8 15:36:16
 * File Name: test.cpp
 */
#include <iostream>
#include <cstdio>
#include <cstddef>
#include <cmath>
#include <algorithm>
#include <string>
#include <cstring>
#include <vector>
#include <bitset>
#include <stack>
#include <queue>
#include <set>
#include <map>
#include <cctype>

#define ST size_type
#define PB push_back
#define LL long long
#define SIGMA_SIZE 15
#define NODE_SIZE 100005

using std::cin;
using std::cout;
using std::endl;
using std::string;
using std::bitset;
using std::vector;
using std::pair;
using std::swap;
using std::sort;
using std::max;
using std::min;

const int inf = 0x3fffffff;

typedef pair<int, int> pii;
typedef vector<int> vi;
typedef vector<int>::iterator vit;

class Trie {
    private:
        int child[NODE_SIZE][SIGMA_SIZE];
        bool val[NODE_SIZE];	//记录该结点是否为单词结点
        int cnt;    //结点总数
    public:
        //初始时只有一个根结点
        Trie () {
            cnt = 1;
            memset (child[0], 0, sizeof (child[0]));
        }

        //将trie重置为只有一个根结点
        void clear () {
            cnt = 1;
            memset (child[0], 0, sizeof (child[0]));
        }

        //返回字符ch的编号
		//根据字符集的不同进行调整
        int getIndex (char ch) {
            return ch -'0';
        }

        /*
         * 插入字符串src
         * src是string类型,插入前不用查询是否存在
         * 对象做实参要加引用,不然每次一调用函数就要复制一个对象,很影响效率
		 * 若src在Trie中存在其前缀或者Trie中存在字符串以src为前缀,则返回true,否则返回false
         */
        bool insert (string &src) {
            int parent = 0, index;
			bool rtn = false;
            for (string::size_type i = 0; i != src.size(); ++i) {
                index = getIndex (src[i]);
                if (child[parent][index] == 0) {    //结点不存在
                    child[parent][index] = cnt;     //新建结点
                    memset (child[cnt], 0, sizeof(child[cnt]));
                    val[cnt] = false;	//非单词结点
                    ++cnt;
                } else {//该结点已被创建过
					//插入号码时的两项检查
					if (i + 1 == src.size() || val[child[parent][index]])
						return true;
				}
                parent = child[parent][index];  //往下走
            }
            val[parent] = true;		//单词结点
			return rtn;
        }
};

Trie t;

int main () {
	int T, n;
	string tmp;
	bool ans;
	cin >> T;
	while (T--) {
		t.clear ();
		ans = false;
		cin >> n;
		for (int i = 1; i <= n; ++i) {
			cin >> tmp;
			if (ans == false)
				ans = t.insert(tmp);
		}
		if (ans)
			cout << "NO" << endl;
		else
			cout << "YES" << endl;
	}
	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,非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非线性,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