kmp?manacher?QAQ 算了我还是打暴力好了

匹配字符串……

……

……

会写n*m吗,这个肯定都会owo,暴力思想

会用pos吗?你可以冒险一试……据说pos就是用kmp写的

可以优化到O(M+n)级别……今天在大神的帮助下,终于听懂了……

先对要去匹配的对象(也就是说这个字符串可能在另一个被匹配的字符串中出现多次)操作,完成记录数组……你可以随便叫一个,就叫kmp好了

我有一个字符串,它即将要被匹配 

举个栗子:          k   a   p   k  a

kmp数组的值 : 0   0   0   1  2


数组里存储的f[i]是匹配到i位时,前缀和后缀的最长公共子串,其实也就是记录了第一位的字母在当前情况下,你又在哪一位匹配过了,等一下就可以直接跳到那里去,不必再一位位枚举了

 j:=0;
     for i:=2 to len do
     begin
          while (j>0)and(s[j+1]<>s[i]) do
          j:=kmp[j];
          if s[j+1]=s[i] then inc(j);
          kmp[i]:=j;
     end;
字符串      k   a    p     k     a
i:                     2    3     4     5  
j:                     0    0     0     1
s[i]                 'a'   'p'    'k'   'a'
s[j+1]             'k'   'k'    'k'   'a 
kmp的值       00000 00000 00010  00012


好了,已经完成了一步,接下来把代码复制一遍,修改一下

我们来找个不同:

   j:=0;
     for i:=1 to lena do
     begin
          while (j>0)and(s[j+1]<>z[i]) do j:=kmp[j];
          if  s[j+1]=z[i] then inc(j);
          if j=lena then exit(i-len);
     end;

其实过程是一样的,一个是自己和自己,一个是两串之间,你可以自己再模拟一下。

上种程序返回的是匹配的位置

那么下面一种

  j:=0;
  for i:=1 to len do
    begin
      while(j>0)and(s[i]<>z[j+1])do 
      j:=kmp[j];
      if(s[i]=z[j+1])then j:=j+1

      if j=len then
        begin
          inc(ans);
          j:=kmp[j];
        end;
    end;

返回的是匹配次数,还有返回匹配长度的,你也可以照着码一下。你需要思考一下,匹配完后要进行什么操作?其实上面已经写了,如果只要匹配一次,可以跳出,匹配多次,你就需要当做失配,继续做下去……

大概就是这样OAO


接下来………

来讲讲回文串,这个其实只能考裸的回文串,也没什么深的含义

一般两种:一段字符的最大回文串………n logn……枚举点,向两边扩展owo,其实也是暴力思想,我不甚清楚为什么复杂度可以优化到log级别owo。

第二种,相似回文……ababa   babab 可以当做一种回文串,实际也是把它们处理一下 都变成12121……就可以做了

然后,口胡一下o(n)的算法  manacher  QAQ  其实不怎么会用到吧……随便口胡一下就可以继续去口胡LCM 了

据说有分治加kmp的做法……

uses math;
var id,mx,i,n,ans:longint;
    s:string;
    str:string;//:array[0..10000] of char;
    p:array[0..10000] of longint;
procedure  kp;
begin
    mx:=0;
    for i:= 1  to  n  do
    begin                                    //比较一下两个的区别?
        if  mx>i   then  p[i]:=min(p[id+id-i],p[id]+id-i)//如果之前回文串延5的位置超过了现在的位置,也就是现在的位置在最长回文串内。

     
        else
            p[i]:=1;//没有超过?自己匹配!
        while  str[i+p[i]]=str[i-p[i]] do
        inc(p[i]);
        if  p[i]+i>mx  then//重新记录
        begin
            mx:=p[i]+i;
            id:=i;
        end;
    end;
end;
procedure  init;//这里的作用是统一奇数长度的字符串和偶数长度的字符串
begin
    str[0] := '$';
    str[1] := '#';
    for i:=1  to  n  do
        begin
        str[(i-1)*2+2] := s[i];
        str[(i-1)*2+3] := '#';
        end;
      n:=n*2+2;
end;
begin
    readln(s);
    n:=length(s);
        init;
        kp;
        ans:=0;
        for i:=1  to n do
            if( p[i]>ans)  then ans:=p[i];
    writeln(ans-1);
end.//估计还有点错误,等我和nlogn的拍过之后再修改吧

说起来非常惭愧,我现在还是打pascal的……csdn居然都没有pascal的选项了,欸……

具体的操作步骤?

baidu有些blog写的非常好,还是自己去观摩吧

ps:在kmp的内容部分,我犯了严重的错误,不知道有没有看出来,我把z和s弄反了,大家在noip时不要犯弄错i j,弄错全局变量和局部变量的错误啊


1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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