后缀自动机1002 SPOJ NSUBSTR

题意:
求长度为i的最多的出现次数
思路:
对于Sam上的每个节点保存匹配串的最长匹配长度
然后再传给父亲节点就行了

#include<stdio.h>
#include<string.h>
#include<iostream>
#include<algorithm>
#include<math.h>
#include<queue>
#include<stack>
#include<string>
#include<vector>
#include<map>
#include<set>
using namespace std;
#define lowbit(x) (x&(-x))
typedef long long LL;
const int maxn = 250005;
const int inf=(1<<28)-1;
struct sam_node
{
    int fa,son[26];
    int len;
    void init(int _len)
    {
        len=_len;fa=-1;
        memset(son,-1,sizeof(son));
    }
};
class SAM
{
    public:
    int root,last,tots;
    sam_node sam[maxn*2];//length*2
    SAM()
    {
        init();
    }
    void init()
    {
        tots=0;
        root=last=0;
        sam[tots].init(0);
    }
    void extend(char ch)
    {
        int w=ch-'a';
        int p=last;
        int np=++tots;sam[tots].init(sam[p].len+1);
        int q,nq;while(p!=-1&&sam[p].son[w]==-1)
        sam[p].son[w]=np,p=sam[p].fa;
        if (p==-1) sam[np].fa=root;
        else
        {
            q=sam[p].son[w];
            if (sam[p].len+1==sam[q].len) sam[np].fa=q;
            else
            {
                nq=++tots;sam[nq].init(0);
                sam[nq]=sam[q];
                sam[nq].len=sam[p].len+1;
                sam[q].fa=nq;sam[np].fa=nq;
                while(p!=-1&&sam[p].son[w]==q)
                sam[p].son[w]=nq,p=sam[p].fa;
            }
        }
        last=np;
    }
    void build(char* str)
    {
        int len=strlen(str);
        for(int i=0;i<len;++i) extend(str[i]);
    }
    int r[maxn*2],w[maxn];
    //r[i]为topsort后 入度为0先入队 
    void topsort()
    {
        int i,len=tots;
        memset(w,0,sizeof(w));
        for(int i=1;i<=tots;++i) w[sam[i].len]++;
        for(int i=1;i<=len;++i) w[i]+=w[i-1];
        for(int i=tots;i>=1;--i) r[w[sam[i].len]--]=i;
        r[0]=0;
    }
    void output()
    {
        for(int i=0;i<=tots;++i)
        {
            printf("%d(fa=%d): ",i,sam[i].fa);
            for(int j=0;j<26;++j)
            if(sam[i].son[j]!=-1)
            printf("%c(%d) ",j+'a',sam[i].son[j]);
            printf("\n");
        }
    }
    int dp[maxn*2],Ans[maxn];
    void Solve(char* str)
    {
        topsort();
        //output();
        memset(dp,0,sizeof(dp));
        memset(Ans,0,sizeof(Ans));
        int len=strlen(str);
        int now=root;
        for(int i=0;i<len;++i)
        {
            now=sam[now].son[str[i]-'a'];
            dp[now]++;
        }
        for(int i=tots;i>=1;--i)
        {
            int p=r[i];
            dp[sam[p].fa]+=dp[p];
            Ans[sam[p].len]=max(Ans[sam[p].len],dp[p]);
        }
        for(int i=len-1;i>=1;--i)
            Ans[i]=max(Ans[i],Ans[i+1]);
        for(int i=1;i<=len;++i)
            printf("%d\n",Ans[i]);
    }
}Sam;
char str[maxn];
int main()
{
    scanf("%s",str);
    int len=strlen(str);
    for(int i=0;i<len;++i)
        Sam.extend(str[i]);
    Sam.Solve(str);
    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