【回文树】[APIO2014]Palindromes

题目链接

分析

用回文树,求出回文串的长度和出现的次数即可。

代码

#include<cstdio>
#include<cstring>
#include<algorithm>
#define MAXN 300000
#define MAXC 26
using namespace std;
char s[MAXN+10];
int n;
long long ans;
inline void Read(int &x){
    static char c;
    while(c=getchar(),c!=EOF)
        if(c>='0'&&c<='9'){
            x=c-'0';
            while(c=getchar(),c>='0'&&c<='9')
                x=x*10+c-'0';
            ungetc(c,stdin);
            return;
        }
}
void read(){
    scanf("%s",s);
    n=strlen(s);
}
namespace PalindromicTree{
int n,s[MAXN+10];
struct node{
    int cnt,len;
    node *ch[MAXC],*fail;
}tree[MAXN+10],*tcnt=tree,*last;
node *Get_fail(node *p){
    while(s[n-p->len-1]!=s[n])
        p=p->fail;
    return p;
}
void init(node *p){
    p->cnt=0;
    for(int i=0;i<MAXC;i++)
        p->ch[i]=tree;
}
void init(){
    last=tree;
    tcnt=tree;
    init(tree);
    init(++tcnt);
    tcnt->len=-1;
    tree->len=0;
    tree->fail=tcnt;
    tcnt->fail=tree;
    s[0]=-1;
    n=0;
}
void insert(char c){
    s[++n]=c-='a';
    node *cur=Get_fail(last);
    if(cur->ch[c]==tree){
        node *p=++tcnt;
        init(p);
        p->len=cur->len+2;
        p->fail=Get_fail(cur->fail)->ch[c];
        cur->ch[c]=p;
    }
    last=cur->ch[c];
    last->cnt++;
}
void Get_cnt(){
    for(node *p=tcnt;p>=tree;p--)
        p->fail->cnt+=p->cnt;
}
}
void solve(){
    for(int i=0;i<n;i++)
        PalindromicTree::insert(s[i]);
    PalindromicTree::Get_cnt();
    using namespace PalindromicTree;
    for(node *p=tcnt;p>=tree;p--)
        ans=max(ans,1ll*p->cnt*p->len);
}
int main()
{
    PalindromicTree::init();
    read();
    solve();
    printf("%lld\n",ans);
}
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