[回文自动机] BZOJ 3676: [Apio2014]回文串

Solution

回文自动机有很多性质是和后缀自动机很相似的。
这个题可以类似于SAM,在每个节点 u 维护一个rightu。答案就是 max{|rightu|lenu}
关于回文自动机的复杂度,可以势能分析。

#include <bits/stdc++.h>
using namespace std;

const int N = 303030;

inline char get(void) {
    static char buf[100000], *S = buf, *T = buf;
    if (S == T) {
        T = (S = buf) + fread(buf, 1, 100000, stdin);
        if (S == T) return EOF;
    }
    return *S++;
}
template<typename T>
inline void read(T &x) {
    static char c; x = 0; int sgn = 0;
    for (c = get(); c < '0' || c > '9'; c = get()) if (c == '-') sgn = 1;
    for (; c >= '0' && c <= '9'; c = get()) x = x * 10 + c - '0';
    if (sgn) x = -x;
}

int ch[N][30];
int par[N], ri[N], len[N];
char s[N];
int last, Tcnt;
int n;
long long ans;

inline int Extend(int key, int pos) {
    int p = last, np, q;
    while (s[pos] != s[pos - len[p] - 1]) p = par[p];
    if (!ch[p][key]) {
        np = ++Tcnt; q = par[p];
        len[np] = len[p] + 2;
        while (s[pos] != s[pos - len[q] - 1]) q = par[q];
        par[np] = ch[q][key]; ch[p][key] = np;
    }
    np = ch[p][key];
    ++ri[np]; return last = np;
}

int main(void) {
    freopen("1.in", "r", stdin);
    freopen("1.out", "w", stdout);
    scanf("%s", s + 1);
    n = strlen(s + 1);
    par[1] = par[0] = 1;
    len[1] = -1; Tcnt = 1;
    for (int i = 1; i <= n; i++) Extend(s[i] - 'a', i);
    for (int i = Tcnt; ~i; i--) {
        ri[par[i]] += ri[i];
        ans = max(ans, (long long)ri[i] * len[i]);
    }
    cout << ans << endl;
    return 0;
}

UPD:
后来用论文里不基于势能分析的插入算法写了一发。
记录一个 quicku 直接找到 fail 链上的合法点。
多了一个 O(Σ) 的复杂度。

#include <bits/stdc++.h>
using namespace std;

const int N = 303030;

inline char get(void) {
    static char buf[100000], *S = buf, *T = buf;
    if (S == T) {
        T = (S = buf) + fread(buf, 1, 100000, stdin);
        if (S == T) return EOF;
    }
    return *S++;
}
template<typename T>
inline void read(T &x) {
    static char c; x = 0; int sgn = 0;
    for (c = get(); c < '0' || c > '9'; c = get()) if (c == '-') sgn = 1;
    for (; c >= '0' && c <= '9'; c = get()) x = x * 10 + c - '0';
    if (sgn) x = -x;
}

int ch[N][30], qui[N][30];
int par[N];
int ri[N], len[N];
char s[N];
int last, Tcnt;
int n;
long long ans;

inline int Extend(int pos) {
    int p = last, np, q, key = s[pos];
    if (s[pos - len[p] - 1] != key) p = qui[p][key];
    if (!ch[p][key]) {
        np = ++Tcnt; q = par[p];
        len[np] = len[p] + 2;
        if (s[pos - len[q] - 1] == key) par[np] = ch[q][key];
        else par[np] = ch[qui[q][key]][key];
        memcpy(qui[np], qui[par[np]], sizeof qui[np]);
        qui[np][s[pos - len[par[np]]]] = par[np];
        ch[p][key] = np;
    }
    np = ch[p][key];
    ++ri[np]; return last = np;
}

int main(void) {
    freopen("1.in", "r", stdin);
    freopen("1.out", "w", stdout);
    scanf("%s", s + 1);
    n = strlen(s + 1);
    par[0] = par[1] = 1;
    for (int i = 0; i < 26; i++)
        qui[0][i] = qui[1][i] = 1;
    len[1] = -1; last = Tcnt = 1;
    s[0] = -1;
    for (int i = 1; i <= n; i++) {
        s[i] -= 'a'; Extend(i);
    }
    for (int i = Tcnt; ~i; i--) {
        ri[par[i]] += ri[i];
        ans = max(ans, (long long)ri[i] * len[i]);
    }
    cout << ans << endl;
    return 0;
}
【6层】一字型框架办公楼(含建筑结构图、计算书) 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
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