HDU 5414 CRB and String( 2015 Multi-University Training Contest 10)



比赛时队友有想法了我就一直在出数据了。
然而那个想法是错的。到快结束的时候才验证了是错的。
都怪自己太懒,没有验证正确性就盲目地同意队友写,然后两个人越改越乱,要多思考啊。



然后比赛快结束的时候我想到了新的解法。就是从后往前匹配。然而就是再给半个小时也做不出来,因为少考虑了一些情况。



题意:给出两个串s,t……现在需要在s的任意字符x后面添加一个字符y(y≠x),问s有没有办法变成t。

思路:

1、把s串作为基准,把t从后往前匹配。

2、上一步有一个遗漏,那就是没有判断第一个字符,最前面的加字符操作一定是在第一个字符之后,所以s和t的第一个字符必须相同。

3、解释一下第一步中为什么如果出现多个x,和最后一个x匹配是最优的呢,假如s是abx,t是abbx,那么新加入的这个b肯定是要放在a之后加进去的,如果新加入的这个b放在原来b之后,那么就会匹配失败啦~然后现在第二步之后(噢现在是10:43)也就是s中的第一个字符和t中的第一个字符匹配,其余的不变 。

4、但是如果s 是 aaa,t是aaabaaa,那就不对了。(啊我真的好跳啊是不是有多动症)也就是说第一个字符必须s和t相同的,特例必须推广到s和t相同并且该字符在s中和第一个字符相同的所有情况。然后就可以过了。(替啦这题解写得我自己都看不下去了语文水平太弱了TAT)



注意事项:

1、据说memset比for快。也就是用时:for整个数组 > memset整个数组 > for n+3 > memset n+3, 但是用最快的memset n+3 如果你傻逼了就会莫名wa。这次就是先memset整个数组了,然后是T了,改成memset n+5 才变成wa

2、数据怎么想出来的呢?首先原来的做法问题出在第一个字符上,那么第一个字符问题解决了之后会不会对第一个字符紧接着的第二个字符有影响呢?如果第二个字符和第一个相同或者不同,会有哪些影响呢?改策略的时候,要考虑与之相关的所有情况。


以下是代码。


#include<iostream>
#include<cstdio>
#include<cstring>
#include<algorithm>
#define SIZE_N 100005
using namespace std;
char s[SIZE_N],t[SIZE_N];
int markt[SIZE_N];//,markss[SIZE_N];
int main()
{
    int T;
    scanf("%d",&T);
    while (T--){
        scanf("%s",s);
        scanf("%s",t);

        int suc = 1;
        int lenss,lentt;

        for (lenss = 0; s[lenss]; lenss++);
        for (lentt = 0; t[lentt]; lentt++);

        //memset(markss,0,sizeof(int) * (lenss+ 5));
        memset(markt,0,sizeof(int) * (lentt+5));//第一次交t了,改一下memset。826的934再交一发
        //果然只用372ms了……这道题时间卡的好紧啊……memset都能T了一次
        int j = lentt - 1;
        if (t[0]!= s[0]|| lenss > lentt){
            suc = 0;
        }else{
            int nows = 0;
            for (int i = 0; i < lentt; i++)//改一下第一个元素的处理。再交第n+1次。10:55
                if (t[i] == t[0]){
                    if (t[i] == s[nows]){
                        markt[i] = 1;
                        nows++;
                    }else{
                        suc = 0;
                        break;
                    }
                }else{
                    break;
                }
            for (int i = lenss - 1; i >= 0; i--){
                while ( j >= 0 && t[j] != s[i]){
                    j--;
                }
                if (j < 0){
                    suc = 0;
                    break;
                }
                if (i >= nows)
                markt[j] = 1;
                j--;//避免同样的元素被重复标记
            }
        }
        if (suc != 1){
            puts("No");
        }else{
            puts("Yes");
        }
    }
    return 0;
}
//我知道这种做法错在哪了!aaa和aaabaaa。就会匹配后两个a和第一个a
//还有一组样例就是aaa和aaaabaaa。





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