poj-1035

#include <set>
#include <string>
#include <iostream>
#include <vector>

using namespace std;

class intLess {
public:
    bool operator() (const int int1, const int int2) const {
        return int1 < int2;
    }

};

const char MAX_LENGTH = 15;

set<int, intLess> dict[MAX_LENGTH];
vector<string> originalDict;

int compareWithString(const string & str1, const string & str2) {
    if (str1.length() == str2.length()) {
        int noMatchNum = 0;
        for (int i = 0; i < str1.length() ; i++) {
            if (str1[i] != str2[i]) {
                if (++noMatchNum >= 2) {
                    return 2;
                }
            }
        }
        return noMatchNum;
    } else if (str1.length() + str2.length() == 1) {
        return 1;
    } else {
        int length1 = str1.length();
        int length2 = str2.length();
        const string & longer = length1 > length2 ? str1 : str2;
        const string & shorter = length1 <= length2 ? str1 : str2;
        int minLength = shorter.length();
        int noMatchPos = -1;
        int i;
        for (i = 0; i < minLength ; i++) {
            if (str1[i] != str2[i]) {
                noMatchPos = i;
                break;
            }
        }
        if (i == minLength && -1 == noMatchPos) {
            return 1;
        } else {
            if (longer.substr(noMatchPos+1) == shorter.substr(noMatchPos)) {
                return 1;
            } else {
                return 2;
            }
        }
    }
}

void printCandidate(const string & checkStr, const set<int, intLess> & resultSet) {
    set<int, intLess>::const_iterator itRes = resultSet.begin();
    cout<<checkStr<<":";
    for (;itRes != resultSet.end(); itRes++) {
        cout<<" "<<originalDict[*itRes];
    }
    cout<<endl;
}

int checkWithSet(const string & checkStr, const set<int, intLess> & dictSet, set<int, intLess> & resultSet) {
    set<int, intLess>::const_iterator it = dictSet.begin();
    for( ;it != dictSet.end(); it++) {
        if (!compareWithString(checkStr, originalDict[*it])) {
            cout<<checkStr<<" is correct"<<endl;
            return 1;
        } else if (1 == compareWithString(checkStr, originalDict[*it])) {
            resultSet.insert(*it);
        }
    }
    return 2;
}

#define RETURN_IF1(res) do { if (1 == res) { return;} } while(0)

void checkWithDict (const string& checkStr) {
    int length = checkStr.size();
    set<int, intLess> resultSet;
    if (length == 1) { // only compare with 1, 2
        RETURN_IF1(checkWithSet(checkStr, dict[0], resultSet));
        checkWithSet(checkStr, dict[1], resultSet);
    } else if (length == MAX_LENGTH) { // only compare with MAX_LENGTH MAX_LENGTH-1
        RETURN_IF1(checkWithSet(checkStr, dict[MAX_LENGTH-1], resultSet));
        checkWithSet(checkStr, dict[MAX_LENGTH-1-1], resultSet);
    } else { // compare with length +0, +1, -1
        RETURN_IF1(checkWithSet(checkStr, dict[length-1], resultSet));
        checkWithSet(checkStr, dict[length-1-1], resultSet);
        checkWithSet(checkStr, dict[length+1-1], resultSet);
    }
    printCandidate(checkStr, resultSet);
}


int main() {
    while(1) {
        string input = "";
        cin>>input;
        if (input == "#") {
            break;
        } else {
            originalDict.push_back(input);            
            dict[input.length()-1].insert(originalDict.size()-1);
        }
    }

    while(1) {
        string check = "";
        cin>>check;
        if (check == "#") {
            break;
        } else {
            checkWithDict(check);
        }
    }

}

C++ AC, 688ms,  g++直接TLE......  开源和商业效率差的这么多

时间也在预料内,毕竟用了STL,效率换易用,c++编译器还挺严格,在我取const 的set的iterator时, 要求用const_iterator, 微软还是挺严谨的.

一开始没想着这道题对性能还有要求, 看还有人暴力搞过的(不过也有可能,STL对性能的影响还是很大的),

因为最后输出的时候要求按照输入的顺序进行输出, 因此就搞了套数据结构:

一个vector顺序的保存输入数组, 同时一个set(现在看,根本没必要, 排序又不在这里做,把他换成vector, 时间估计更少)数组则保存每个长度的

输入字符串, set[0]保存的就是长度是1的字符串在vector中的序号(避免了数据冗余,很多符合数据结构,对真正的数组只保存一份, 一般保存的都是引用),

以此类推, 这样做的好处是, 在比较的时候就省力了, 按照题意, 一个字符串最多和自己长度相等已经+/-1的字符串能够匹配, 因此如果一个字符串长度是l,

那么可能匹配他的就只有长度位l-1, l , l+1的字典字符串(l==1和l==MAX_length特殊考虑),至于匹配, 用的是最笨的办法, 没啥说的.

最后要先比较同等长度的, 因为同等长度有可能由完全匹配,那么直接打印完全匹配的即可, 如果没有,那么就放在一个临时的set里面,set按照序号排序,最后

输出的时候,用序号取到vector字符串就可以了.


这道题, 暴力搜也能过, 毕竟暴搜不需要复杂的数据结构,也不需要考虑排序的问题, 很有可能最后是最快的.  

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。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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。
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