Codeforces 547E Mike and Friends(AC自动机+主席树)

题目链接
题意

给你 n n n 个模式串, q q q 次查询,每次查询 l , r , k l,r,k l,r,k,问第 k k k 个字符串在第 [ l , r ] [l,r] [l,r] 区间的模式串中出现多少次。

思路

首先思考一个模式串 s s s 对全部串的贡献如何求?
s s s 的所有前缀跳 fail 链,对所有经过的模式串终点都有1点贡献,因为当前节点属于 s s s 串前缀而经过的模式串终点则是 s s s 串后缀。

所以可以,对每个串的经过节点贡献加一,再对fail链倒着建树,在统计s串终止节点的子树贡献。统计子树这个可以dfs序解决。
现在只差如何维护查询区间,这个可以用主席树解决。

代码
#include <bits/stdc++.h>
using namespace std;

#define ll long long

int root[200005], tot;

struct Node {
    int l, r, num;
}t[200005*40];

void updata(int &x, int y, int l, int r, int pos, int num) {
    t[x = ++tot] = t[y];
    if(l == r) {
        t[x].num += num;
        return;
    }
    int mid = l+r >> 1;
    if(pos <= mid) updata(t[x].l, t[y].l, l, mid, pos, num);
    if(pos > mid) updata(t[x].r, t[y].r, mid+1, r, pos, num);
    t[x].num = t[t[x].l].num+t[t[x].r].num;
}

int query(int x, int y, int l, int r, int ql, int qr) {
    if(ql <= l && r <= qr) return t[y].num-t[x].num;
    int mid = l+r >> 1;
    int tmp = 0;
    if(ql <= mid) tmp += query(t[x].l,t[y].l,l,mid,ql,qr);
    if(qr > mid) tmp += query(t[x].r,t[y].r,mid+1,r,ql,qr);
    return tmp;
}

/*主席树*/

const int N = 200005;
const int M = 26;

struct ACAM {
    int nxt[N][M], fail[N], val[N], n;
    int cnt[N], pos[N], tid;
    void init() {
        memset(nxt,0,sizeof(nxt));
        memset(fail,0,sizeof(fail));
        memset(val,0,sizeof(val));
        memset(cnt,0,sizeof(cnt));
        memset(pos,0,sizeof(pos));
        n = 0;
        tid = 0;
    }
    void add(char *s) {
        int len = strlen(s), now = 0;
        for(int i = 0; i < len; ++i) {
            int tmp = s[i]-'a';
            if(!nxt[now][tmp]) nxt[now][tmp] = ++n;
            now = nxt[now][tmp];
        }
        pos[++tid] = now;
        ++val[now];
    }
    void getfail() {
        queue<int> q;
        for(int i = 0; i < 26; ++i) if(nxt[0][i]) fail[nxt[0][i]] = 0, q.push(nxt[0][i]);
        while(!q.empty()) {
            int u = q.front(); q.pop();
            for(int i = 0; i < 26; ++i) {
                if(nxt[u][i]) fail[nxt[u][i]] = nxt[fail[u]][i], q.push(nxt[u][i]);
                else nxt[u][i] = nxt[fail[u]][i];
            }
        }
    }
}ac;

vector<int> e[N];
int id, tim[N], sz[N];
string s[N];
char fq[N];

void init() {
    id = 0;
    tot = 0;
    for(int i = 0; i <= ac.n; ++i) e[i].clear();
    ac.init();
}

void buildfailtree() {
    for(int i = 1; i <= ac.n; ++i) e[ac.fail[i]].push_back(i);
}

void dfs(int u) {
    tim[u] = ++id;
    sz[u] = 1;
    for(auto v : e[u]) dfs(v), sz[u] += sz[v];
}

void up(int &x, int y) {
    t[x = ++tot] = t[y];
    int len = strlen(fq), now = 0;
    for(int i = 0; i < len; ++i) {
        int nxt = ac.nxt[now][fq[i]-'a'];
        updata(x,x,1,id,tim[nxt],1);
        now = nxt;
    }
}

int main() {
    int n, q;
    scanf("%d%d",&n,&q);
    init();
    for(int i = 1; i <= n; ++i) {
        cin >> s[i];
        int len = s[i].length();
        for(int j = 0; j < len; ++j) fq[j] = s[i][j];
        fq[len] = 0;
        ac.add(fq);
    }
    ac.getfail();
    buildfailtree();
    dfs(0);
    for(int i = 1; i <= n; ++i) {
        int len = s[i].length();
        for(int j = 0; j < len; ++j) fq[j] = s[i][j];
        fq[len] = 0;
        up(root[i],root[i-1]);
    }
//    printf("%d %d -!!!!!  %d\n",tim[ac.pos[1]],sz[ac.pos[1]],tim[ac.pos[5]]);
    while(q--) {
        int l, r, k;
        scanf("%d%d%d",&l,&r,&k);
        k = ac.pos[k];
        printf("%d\n",query(root[l-1],root[r],1,id,tim[k],tim[k]+sz[k]-1));
    }
    return 0;
}
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
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