Codeforces Round #542 Morse Code(字典树-dp)

4 篇文章 0 订阅

题目链接:Morse Code

题意:

给出一个01串,除"0011", "0101", "1110", and "1111".外,其中每长度不超过4的01串可以表示一个字母,给你一个长度为m的串。问该01串的全部子串可以表示多少种不同的字母序列。

m <= 3000

例如"111" 的全部子串有三种"111", "11", "1"
"111"可以表示为:"1\1\1", "1\11", "11\1", "111"
"11"可以表示为"1\1", "11"
"1"可以表示为"1",
答案为7

又例如串"0011",的全部子串: "0011", "001", "011", "00", "01", "11", "0", "1"
表示的字母序列可能为:
"0\011", "00\11", "001\1", "0\0\11", "0\01\1", "00\1\1", "0\0\1\1", 
"001", "0\01", "00\1", "0\0\1",       "011", "0\11", "01\1", "0\1\1",
"00", "0\0", "01", "0\1", "11", "1\1", "0", "1", 
答案为23

题目分析:

可以考虑对原串的每个本质不同子串进行计算答案贡献,用 cur[j] 表示以j处为起点的子串当前在trie树上的节点,再在cur[j]节点后加入一个字符x后,如果trie[cur[j]][x]原本节点已经存在,说明从j处起点到当前加入的字符x构成的子串已经存在,不用计算答案,否则添加新节点,则该节点的答案贡献为 sum(dp[k]),k为当前节点之前的4个祖先,第四个祖先需要判断从那个位置到当前位置是否为除外的四个串,计算完当前节点答案后将cur[j] = trie[cur[j]][x] 。

依此加入全部字符,每个字符都枚举起点j,复杂度O(n^2)。

代码:

#include<bits/stdc++.h>
#define ll long long
using namespace std;
const ll mod = 1e9+7;
const int maxn = 3000*1500;
int trie[maxn][2], tot, dp[maxn], fa[maxn];
int cur[3010], ans;
int n, a[3010];
bool flag;
bool check(int i){
    if(a[i-3] == 0 && a[i-2] == 0 && a[i-1] == 1 && a[i] == 1)return 1;
    if(a[i-3] == 0 && a[i-2] == 1 && a[i-1] == 0 && a[i] == 1)return 1;
    if(a[i-3] == 1 && a[i-2] == 1 && a[i-1] == 1 && a[i] == 0)return 1;
    if(a[i-3] == 1 && a[i-2] == 1 && a[i-1] == 1 && a[i] == 1)return 1;
    return 0;
}
void add(int j,int x){
    int o = cur[j];
    if(trie[o][x]){
        cur[j] = trie[o][x];
        return;
    }
    cur[j] = trie[o][x] = ++tot;
    fa[tot] = o;
    for(int i = 1;i <= 4;i++){
        if(i == 4 && flag)break;
        dp[tot] = (dp[tot] + dp[o])%mod;
        o = fa[o];
        if(o == -1)break;
    }
    ans = (ans + dp[tot])%mod;
}
int main(){
    scanf("%d",&n);
    dp[tot] = 1; fa[tot] = -1; flag = 0; ans = 0;
    for(int i = 0;i<=n;i++)cur[i] = 0;
    for(int i = 1;i<=n;i++){
        scanf("%d",&a[i]);
        if(i>=4)flag = check(i);
        for(int j = 0;j<i;j++){
            add(j, a[i]);
        }
        printf("%d\n",ans);
    }
}

 

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