BZOJ 2946 二分+Hash

https://www.lydsy.com/JudgeOnline/problem.php?id=2946

给你五个串

问你最长公共子序列

网上其他博客都是什么后缀,什么自动机啦

太繁琐了

这题一看直接二分答案啊

代码优雅,思路清晰

(其实是因为我还不会后缀自动机(大雾)

AC代码:

#include<iostream>
#include<set>
using namespace std;
typedef unsigned long long ll;
const int N=2000;
ll n;
ll p[N+10];
string S[10];
ll f[10][N+10];
ll Hash(ll P,ll l,ll r){
    return f[P][r]-f[P][l-1]*p[r-l+1];
}
bool check(ll x){
	if(x==0) return 1;
    set<ll> A[10];
    for(ll i=1;i+x-1<=S[1].length();++i){
        A[1].insert(Hash(1,i,i+x-1));
    }
    if(A[1].size()==0)
        return 0;
    for(ll i=2;i<=n;++i){
        for(ll j=1;j+x-1<=S[i].length();++j){
            if(A[i-1].find(Hash(i,j,j+x-1))!=A[i-1].end())
                A[i].insert(Hash(i,j,j+x-1));
        }
        if(A[i].size()==0)
            return 0;
    }
    return 1;
}
int main(){
    cin>>n;
    for(ll i=1;i<=n;++i)
        cin>>S[i];
    p[0]=1;
    for(ll i=1;i<=N;++i)
        p[i]=p[i-1]*131;
    for(ll i=1;i<=n;++i){
        for(ll j=1;j<=S[i].length();++j){
            f[i][j]=f[i][j-1]*131+S[i][j-1]-'a'+1;
        }
    }
    ll l=0,r=2000;
    while(l<r){
        ll mid=(l+r+1)/2;
        if(check(mid))
            l=mid;
        else
            r=mid-1;
    }
    cout<<l<<endl;
}

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