POJ 3080 Blue Jeans KMP解法

使用KMP寻找最长的前缀的方法,比一般的暴力法有快了很多。

本题一般的暴力法需要的是O(m*n*n*n),其中m是有多少字符串,而n是字符串长度,而使用KMP就可以把时间效率提高到O(m*n*n),减少了一个n,提高了一个档次啦。

速度快很多。

准确来说应该是利用KMP寻找一个字符串A,在另一个字符串B任意位置出现的A的最长的前缀字符串。

理解好KMP的next table就好办了。每次查找到相等字符的时候,保存好最长的前缀。

注意本题的条件:选取最前的字典顺序输出。老害我错的条件。


#include <stdio.h>
#include <string.h>
#include <stdlib.h>

const int MAX_N = 61;
const int MAX_M = 11;
const int ALP_LEN = 4;
const int SIGNIFICANT = 3;
char dict[MAX_M][MAX_N];
int kmpTable[MAX_N];
int n;

inline int max(int a, int b) { return a > b ? a : b; }
inline int min(int a, int b) { return a < b ? a : b; }

int longestPrefix(char *chs, int len)
{
	memset(kmpTable, 0, sizeof(int)*len);
	for (int i = 1, j = 0; i < len; i++)
	{
		if (chs[i] == chs[j]) kmpTable[i] = ++j;
		else if (j > 0)
		{
			j = kmpTable[j-1];
			i--;
		}
	}
	int L = MAX_N - 1;
	for (int i = 1; i < n; i++)
	{
		int tmpAns = 0;
		for (int k = 0, j = 0;  k < L && j < len; k++)
		{
			if (chs[j] == dict[i][k])
			{
				++j;
				tmpAns = max(tmpAns, j);
			}
			else if (j > 0)
			{
				j = kmpTable[j-1];
				k--;
			}
		}
		len = min(len, tmpAns);//optimize
	}
	return len;
}


int main()
{
	int T;
	scanf("%d", &T);
	while (T--)
	{
		scanf("%d", &n);
		getchar(); // get rid of '\n'
		for (int i = 0; i < n; i++)
		{			
			gets(dict[i]);
		}
		int len = MAX_N - 1;
		int maxLen = 0;
		int pos = 0;
		char res[MAX_N] = {'\0'};
		char subStr[MAX_N] = {'\0'};
		for (int i = 0; i < len; i++)//search every start position
		{
			int tmpLen = longestPrefix(dict[0]+i, len-i);
			if (tmpLen >= maxLen)
			{
				if (tmpLen > maxLen)
				{
					maxLen = tmpLen;
					pos = i;
				}
				else//irritating alphabetic order
				{
					strncpy(res, dict[0]+pos, maxLen);
					strncpy(subStr, dict[0]+i, tmpLen);
					if (strcmp(res, subStr))
					{
						maxLen = tmpLen;
						pos = i;
					}
				}
			}
		}
		if (maxLen < SIGNIFICANT)
		{
			puts("no significant commonalities");
		}
		else
		{
			strncpy(res, dict[0]+pos, maxLen);
			printf("%s\n", res);
		}
	}
	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