【习题·字符串】Milking Grid(区间KMP)

题目描述

每天早晨FARMER JOHN的奶牛都会在挤奶时排成矩形,R行(1<=R<=10,000),C列(1<=C<=75)。我们知道,FARMER JOHN是奶牛专家,他打算写一本关于喂养奶牛的书。他发现,当奶牛按照不同的血统标记以后,整个大矩形就像由很多相同的小矩形拼起来的一样。

请帮助FJ找到面积最小的小矩形,使它能拼出整个大矩形。小矩形的尺寸不一定要整除大矩形的,但是小矩形的排列一定要非常整齐,不允许出现错位之类的情况,即你可以用若干个小矩形拼出一个包含大矩形的矩形。

比如,对于下面的矩形:

ABABA

BABAB

最小的面积应该是4,而不是2。

题解

这道题的主要思路就是,分别求出行和列的公共最小循环节,即每一行(或列)有一个相同的值使得存在大小为这个值的循环节,且使得这个值最小;然后只要两个值相乘即可。

我们可以分别求出行的所有循环节长度,然后数组统计一下即可。

显然,最小循环节 = n − n e x t [ i ] =n-next[i] =nnext[i];次小循环节 = n − n e x t [ n e x t [ i ] ] =n-next[next[i]] =nnext[next[i]]…以此类推,我们可以不断通过循环求出并累加在某一个数组上。只要某一个长度的累加次数 = n =n =n(或 m m m),说明这是一个公共循环节、累加一下即可。

代码如下:

#include <bits/stdc++.h>
using namespace std;
int n,m;
char a[20000];
int cnt[20000];
int Next[20000];
char s[20000][100];
void kmp(int N)
{
	for (int i=2,j=0;i<=N;++i)
	{
		while (j>0 && a[i]^a[j+1]) j=Next[j];
		if (a[i]==a[j+1]) j++;
		Next[i]=j;
	}
	int k=Next[N];
	while (k>0)
	{
		cnt[N-k]++;
		k=Next[k];
	}
}
int main(void)
{
	freopen("mgrid.in","r",stdin);
	freopen("mgrid.out","w",stdout);
	int xmin=INT_MAX,ymin=INT_MAX;
	scanf("%d %d",&n,&m);
	for (int i=1;i<=n;++i)
	    scanf("%s",s[i]+1);
	for (int i=1;i<=n;++i)
	{
		for (int j=1;j<=m;++j) a[j]=s[i][j];
		kmp(m);
	}
	for (int i=1;i<=m;++i) 
	    if (cnt[i]==n) 
		{
			ymin=i;
			break;
		} 
	memset(cnt,0,sizeof(cnt));
	memset(Next,0,sizeof(Next));
	for (int i=1;i<=m;++i)
	{
		for (int j=1;j<=n;++j) a[j]=s[j][i];
		kmp(n);
	}
	for (int i=1;i<=n;++i)
	    if (cnt[i]==m)
	    {
	    	xmin=i;
	    	break;
	    }
	int ansy=min(ymin,m);
	int ansx=min(xmin,n);
	printf("%d",ansx*ansy);
	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数据,如时间序或自然语言,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