国庆七天乐day2_bzoj3238 差异(后缀自动机)

传送门

最开始想到的是SA RMQ预处理,不过既然在写SAM那就用SAM来解决一下这个问题

 

其实写起来SAM远比SA简洁

 

我们这样想,对于两个后缀,他的lcp的长度就是两个对应的接收态在fail树上的LCA的深度

如果已经想明白了上面这点,那么对于这个问题,算得就是对于所有节点,求他的所有子节点对的LCA的sigma

 

在下面的代码中,除了模板部分就添加了两个数组,rig代表right集合,pre代表rig的遍历方向的前缀和,树上随便dp一下就能处理出pre了,ans也就很明显了。

 

#pragma GCC optimize(2)
#pragma GCC optimize(3)
#pragma GCC optimize(4)
#include<bits/stdc++.h>
using namespace std;
typedef long long ll;

const int N = 5e5 + 10;
struct SAM
{
    static const int KN = N << 1;
    static const int KM = 30;
    int fail[KN], net[KN][KM], len[KN], cnt, root;
    int pre[KN],rig[KN];
    int newnode(int _len)
    {
        memset(net[cnt], -1, sizeof(net[cnt]));
        //fail[cnt] = -1;
        len[cnt] = _len;
        return cnt++;
    }
    void init()
    {
        cnt = 0;
        memset(fail,-1,sizeof(fail));
        root = newnode(0);
    }
    int add(int p, int x)
    {
//        int np = newnode(len[p] + 1);
        int np=newnode(len[p]+1);
        pre[np]=1,rig[np]=1;
        while(~p && net[p][x] == -1)    net[p][x] = np, p = fail[p];
        if(p == -1) fail[np] = root;
        else
        {
            int q = net[p][x];
            if(len[q] == len[p] + 1)    fail[np] = q;
            else
            {
                int nq = newnode(len[p] + 1);
                memcpy(net[nq], net[q], sizeof(net[q]));
                fail[nq] = fail[q];
                fail[q] = fail[np] = nq;
                while(~p && net[p][x] == q) net[p][x] = nq, p = fail[p];
            }
        }
//        ccnt[np][sy]++;
        return np;
    }
    void build(char *s, char ch)
    {
        int now = root;
        for(int i = 0; s[i]; ++i)   now = add(now, s[i] - ch);
    }
    int ord[KN], pri[KN];
    void topo()
    {
        int maxVal=0;
        memset(pri, 0, sizeof(pri));
        for (int i = 0; i < cnt; ++i) maxVal = max(maxVal, len[i]), ++ pri[len[i]];
        for (int i = 1; i <= maxVal; ++i) pri[i] += pri[i - 1];
        for (int i = 0; i < cnt; ++i) ord[--pri[len[i]]] = i;
    }
    void gao(ll ans)
    {
        topo();
        for(int i=cnt-1;i>=0;i--) rig[fail[ord[i]]]+=rig[ord[i]];
        for(int i=0;i<cnt;i++) ans-=2ll*pre[fail[i]]*rig[i]*len[fail[i]],pre[fail[i]]+=rig[i];
        printf("%lld\n",ans);
    }
} sam;

char s[N];
int main()
{
    scanf("%s",s);
    int le=strlen(s);
    ll ans=1ll*(1+le)*le/2*(le-1);
//    cout<<ans<<endl;
    sam.init();
    sam.build(s,'a');
    sam.gao(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