[FROM BZOJ]Codechef REBXOR

本文介绍了如何解决Codechef上的REBXOR问题,通过利用异或性质,将求解最大sum[L...R]转化为在Trie树中寻找与已有序列段的最大异或值。采用两次动态规划,分别从正向和反向遍历,找到无重叠区间的最大和。
摘要由CSDN通过智能技术生成

传送门

SOL
对于 s u m [ L . . . R ] = a [ L ]   x o r   a [ L + 1 ] . . . x o r   a [ R ] sum[L...R]=a[L]~xor~a[L+1]...xor~a[R] sum[L...R]=a[L] xor a[L+1]...xor a[R],可以用 s u m [ 0.. L − 1 ]   x o r   s u m [ 0... R ] sum[0..L-1]~xor~sum[0...R] sum[0..L1] xor sum[0...R]表示
我们先考虑求最大的 s u m [ L . . . R ] sum[L...R] sum[L...R],可以每次在Trie树求 s u m [ i ] sum[i] sum[i]与之前 s u m [ j ] sum[j] sum[j]的最大异或值,方法即为每次走到一个节点,尽量走与查找串相反的0/1节点
要求解两个无重叠 s u m [ L . . . R ] sum[L...R] sum[L...R]的和最大,正反各DP一次即可

代码:

#include<bits/stdc++.h>
using namespace std;
#define re register
template<typename T>inline T Max(T a,T b){return a>b?a:b;}
inline int rd(){
	int re data=0;static char ch=0;ch=getchar();
	while(!isdigit(ch))ch=getchar();
	while(isdigit(ch))data=(data<<1)+(data<<3)+(ch^48),ch=getchar();
	return data;
}
const int N=4e5+5;
int n,tot,tmp,a[N],mx,ch[N<<5][2],l[N],r[N];
inline void insert(int x,int re u=0){
	for(int re i=30;~i;--i){
		bool re c=x&(1<<i);
		if(!ch[u][c])ch[u][c]=++tot;
		u=ch[u][c];
	}
}
inline int calc(int x,int re ans=0,int re u=0){
	for(int re i=30;~i;--i){
		bool re c=!(x&(1<<i));
		if(ch[u][c])ans+=1<<i,u=ch[u][c];
		else u=ch[u][!c];
	}return ans;
}
signed main(){
	n=rd(),insert(tmp);
	for(int re i=1;i<=n;++i)a[i]=rd(),tmp^=a[i],l[i]=Max(l[i-1],calc(tmp)),insert(tmp);
	memset(ch,0,sizeof ch),tot=0,insert(tmp=0);
	for(int re i=n;i;--i)tmp^=a[i],r[i]=Max(r[i+1],calc(tmp)),insert(tmp);
	for(int re i=1;i^n;++i)mx=Max(mx,l[i]+r[i+1]);
	printf("%d",mx);
	exit(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