【BZOJ2565】最长双回文串 (Manacher算法)

题目:

BZOJ2565

分析:

首先看到回文串,肯定能想到Manacher算法。下文中字符串 s s 是输入的字符串str在Manacher算法中添加了字符‘#’后的字符串 (构造方式如下)

string s = "#";
for (int i = 0; i < str.size(); i++)
{
    s += str[i];
    s += '#';
}

如果用 maxli m a x l i 表示以第 i i 个字符结尾的最长回文串的长度,maxri表示以第 i i 个字符开头的最长回文串的长度,那么题目中要求的可以转化为在s中找一个位置 i i ,满足si是’#’且 maxli+maxri m a x l i + m a x r i 最大。在原串 str s t r 中,它是两个长度分别为 maxli12 m a x l i − 1 2 maxri12 m a x r i − 1 2 的回文串 (要减掉额外加进去的’#’字符) 。因此,算出 maxl m a x l maxr m a x r 后,就可以枚举所有’#’字符来得到答案。
怎么算 maxl m a x l maxr m a x r 呢?对于一个位置 pos p o s ,显然以它结尾的最长回文串的中心是一个最小的 i i 满足posi<=pi ( pi p i 是Manacher中求出的以 i i 为中心的回文串的“半径”),此时maxrpos=(posi)2+1。那么带着单调队列从左往右扫一遍就能算出 maxr m a x r ,详见代码。同理,从右往左扫一遍可以算出 maxl m a x l

代码:

我WA一下午,只因为局部变量没初始化……

#include <iostream>
#include <string>
using namespace std;

namespace zyt
{
    const int M = 1e5 * 2 + 10;
    int p[M];
    void manacher(const string &str)
    {
        string s = "#";
        int id = 0, right = 0;
        for (int i = 0; i < str.size(); i++)
        {
            s += str[i];
            s += '#';
        }
        for (int i = 0; i < s.size(); i++)
        {
            if (i < right)
                p[i] = min(p[id * 2 - i], right - i);
            else p[i] = 1;
            while (i - p[i] >= 0 && i + p[i] < s.size() && s[i - p[i]] == s[i + p[i]])
                p[i]++;
            if (i + p[i] > right)
                right = i + p[i], id = i;
        }
    }
    inline int abs(const int x)
    {
        return x >= 0 ? x : -x;
    }
    void mk_max(int *maxx, const int len, const bool flag)
    {
        static int q[M];
        int h = 0, t = 0;
        for (int i = 0; i < len; i++)
        {
            int pos = flag ? i : len - i - 1;
            q[t++] = pos;
            while (h < t && abs(pos - q[h]) >= p[q[h]])
                h++;
            maxx[pos] = abs(pos - q[h]) * 2 + 1;
        }
    }
    void work()
    {
        string s;
        static int maxl[M], maxr[M];
        ios::sync_with_stdio(false);
        cin >> s;
        manacher(s);
        mk_max(maxl, s.size() * 2 + 1, true);
        mk_max(maxr, s.size() * 2 + 1, false);
        int ans = 0;
        for (int i = 0; i < s.size() * 2 + 1; i += 2)
            if (maxl[i] > 1 && maxr[i] > 1)
                ans = max(ans, (maxl[i] - 1) / 2 + (maxr[i] - 1) / 2);
        cout << ans << endl;
    }
}
int main()
{
    zyt::work();
    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