数一数(KMP+思维)

题目链接:https://ac.nowcoder.com/acm/skill/detail/acm/1267

题目描述 

设s,t为两个字符串,定义f(s,t) = t的子串中,与s相等的串的个数。如f("ac","acacac")=3, f("bab","babab")=2。现在给出n个字符串,第i个字符串为si。你需要对1in∀1≤i≤n,求出nj=1f(si,sj)∏j=1nf(si,sj),由于答案很大,你只需要输出对 998244353取模后的结果。

输入描述:

第一行一个整数n。

接下来n行每行一个仅由英文字母构成的非空字符串,第i个字符串代表si。

输出描述:

共n行,第i行输出nj=1f(si,sj)∏j=1nf(si,sj)对 998244353取模的结果。

具体思路:

首先瞎分析一波复杂度,1e6个字符串,然后总长度不超过2e6,要不就是n大,然后每个字符串的长度很小,这个时候会有重复。

要不就是n小,但是每个字符串的长度不算小(xjbc)。

然后我们在继续往下想,如果有一个字符的匹配另一个字符的返回的合法的个数为0的话,那么0乘任何数都为0.

再继续往下想,如果有多个字符串重复的时候,我们计算完当前的字符串的时候,对于重复的直接快速幂就可以了。

再继续往下想,如果在两个字符串不完全相等的前提下,如果str1是str2的字符串,那么str2就不会是str1的子串,所以我们当计算str1的子串的时候,str2的答案必为0。

AC代码:

(快速幂打错了调了一上午。。。)

  1 #include<bits/stdc++.h>
  2 using namespace std;
  3 # define inf 0x3f3f3f3f
  4 # define ll long long
  5 const ll mod = 998244353;
  6 const int maxn = 1e6+100;
  7 map<string,ll>vis;
  8 map<string,ll>tot;
  9 map<string,ll>pre;
 10 string str[maxn];
 11 int id[maxn];
 12 ll ans[maxn];
 13 int nex[maxn];
 14 ll qsm(ll t1,ll t2){
 15 ll ans=1ll;
 16 t1%=mod;
 17 while(t2){
 18 if(t2&1)ans=ans*t1%mod;
 19 t2>>=1;
 20 t1=t1*t1%mod;
 21 }
 22 return ans;
 23 }
 24 void getnex(string str2)
 25 {
 26     int len=str2.size();
 27     int i=0,j=-1;
 28     nex[0]=-1;
 29     while(i<len)
 30     {
 31         if(j==-1||str2[i]==str2[j])
 32         {
 33             i++;
 34             j++;
 35             nex[i]=j;
 36         }
 37         else
 38             j=nex[j];
 39     }
 40 }
 41 ll kmp(string str1,string str2)
 42 {
 43     getnex(str2);
 44     int len1=str1.size();
 45     int len2=str2.size();
 46     int i=0,j=0;
 47     ll sum=0;
 48     while(i<len1&&j<len2)
 49     {
 50         if(j==-1||str1[i]==str2[j])
 51         {
 52             i++;
 53             j++;
 54         }
 55         else
 56             j=nex[j];
 57         if(j==len2)
 58         {
 59             sum+=1ll;
 60             j=nex[j];
 61         }
 62     }
 63     return sum;
 64 }
 65 int main()
 66 {
 67 //    string str1,str2;
 68 //    str1="babab";
 69 //    str2="bab";
 70 //    cout<<kmp(str1,str2)<<endl;
 71     int n;
 72     scanf("%d",&n);
 73     for(int i=1; i<=n; i++)
 74     {
 75         cin>>str[i];
 76         vis[str[i]]++;
 77         if(vis[str[i]]==1)
 78         {
 79             pre[str[i]]=i;
 80             id[i]=0;
 81         }
 82         else
 83         {
 84             id[i]=pre[str[i]];
 85         }
 86     }
 87     for(int i=1; i<=n; i++)
 88     {
 89         ans[i]=1ll;
 90     }
 91     for(int i=1; i<=n; i++)
 92     {
 93         if(id[i]||ans[i]==0)
 94             continue;
 95         for(int j=1; j<=n; j++)
 96         {
 97             if(id[j]||i==j)
 98                 continue;
 99             ll tmp=kmp(str[j],str[i]);
100             if(tmp==0)
101             {
102                 ans[i]=0;
103                 break;
104             }
105              ans[j]=0;
106             ans[i]=ans[i]*qsm(tmp,vis[str[j]])%mod;
107             ans[i]%=mod;
108         }
109     }
110     for(int i=1; i<=n; i++)
111     {
112         printf("%lld\n",ans[id[i]==0?i:id[i]]);
113     }
114     return 0;
115 }

再想一下,如果是把相乘改成相加又应该怎么做?

 

转载于:https://www.cnblogs.com/letlifestop/p/10912485.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
基于YOLOv9实现工业布匹缺陷(破洞、污渍)检测系统python源码+详细运教程+训练好的模型+评估 【使用教程】 一、环境配置 1、建议下载anaconda和pycharm 在anaconda中配置好环境,然后直接导入到pycharm中,在pycharm中运项目 anaconda和pycharm安装及环境配置参考网上博客,有很多博主介绍 2、在anacodna中安装requirements.txt中的软件包 命令为:pip install -r requirements.txt 或者改成清华源后再执以上命令,这样安装要快一些 软件包都安装成功后才算成功 3、安装好软件包后,把anaconda中对应的python导入到pycharm中即可(不难,参考网上博客) 二、环境配置好后,开始训练(也可以训练自己数据集) 1、数据集准备 需要准备yolo格式的目标检测数据集,如果不清楚yolo数据集格式,或者有其他数据训练需求,请看博主yolo格式各种数据集集合链接:https://blog.csdn.net/DeepLearning_/article/details/127276492 里面涵盖了上百种yolo数据集,且在不断更新,基本都是实际项目使用。来自于网上收集、实际场景采集制作等,自己使用labelimg标注工具标注的。数据集质量绝对有保证! 本项目所使用的数据集,见csdn该资源下载页面中的介绍栏,里面有对应的下载链接,下载后可直接使用。 2、数据准备好,开始修改配置文件 参考代码中data文件夹下的banana_ripe.yaml,可以自己新建一个不同名称的yaml文件 train:训练集的图片路径 val:验证集的图片路径 names: 0: very-ripe 类别1 1: immature 类别2 2: mid-ripe 类别3 格式按照banana_ripe.yaml照葫芦画瓢就,不需要过多参考网上的 3、修改train_dual.py中的配置参数,开始训练模型 方式一: 修改点: a.--weights参数,填入'yolov9-s.pt',博主训练的是yolov9-s,根据自己需求可自定义 b.--cfg参数,填入 models/detect/yolov9-c.yaml c.--data参数,填入data/banana_ripe.yaml,可自定义自己的yaml路径 d.--hyp参数,填入hyp.scratch-high.yaml e.--epochs参数,填入100或者200都,根据自己的数据集可改 f.--batch-size参数,根据自己的电脑性能(显存大小)自定义修改 g.--device参数,一张显卡的话,就填0。没显卡,使用cpu训练,就填cpu h.--close-mosaic参数,填入15 以上修改好,直接pycharm中运train_dual.py开始训练 方式二: 命令方式,在pycharm中的终端窗口输入如下命令,可根据自己情况修改参数 官方示例:python train_dual.py --workers 8 --device 0 --batch 16 --data data/coco.yaml --img 640 --cfg models/detect/yolov9-c.yaml --weights '' --name yolov9-c --hyp hyp.scratch-high.yaml --min-items 0 --epochs 500 --close-mosaic 15 训练完会在runs/train文件下生成对应的训练文件及模型,后续测试可以拿来用。 三、测试 1、训练完,测试 修改detect_dual.py中的参数 --weights,改成上面训练得到的best.pt对应的路径 --source,需要测试的数据图片存放的位置,代码中的test_imgs --conf-thres,置信度阈值,自定义修改 --iou-thres,iou阈值,自定义修改 其他默认即可 pycharm中运detect_dual.py 在runs/detect文件夹下存放检测结果图片或者视频 【特别说明】 *项目内容完全原创,请勿对项目进外传,或者进违法等商业为! 【备注】 1、该资源内项目代码都经过测试运成功,功能ok的情况下才上传的,请放心下载使用!有问题请及时沟通交流。 2、适用人群:计算机相关专业(如计科、信息安全、数据科学与大数据技术、人工智能、通信、物联网、自动化、电子信息等)在校学生、专业老师或者企业员工下载使用。
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