LOJ#2059. 「TJOI / HEOI2016」字符串 后缀数组+二分+主席树

后缀自动机的做法很显然:建出后缀树,线段树合并,然后倍增的时候更新答案就行.

后缀数组的做法也挺显然:二分答案,然后用主席树判定一下 $[a,b-mid+1]$ 是否有值即可.    

code: 

#include <bits/stdc++.h> 
#define N 200006   
#define lson s[x].ls 
#define rson s[x].rs 
#define inf 1000000000 
#define setI(s) freopen(s".in","r",stdin)   
#define setO(s) freopen(s".out","w",stdout)  
using namespace std;  
int n,tot,m;   
int rt[N];   
int arr[N],rk[N],tp[N],tax[N],sa[N],height[N],Log[N],dp[20][N];    
void qsort() 
{
    for(int i=0;i<=m;++i)  tax[i]=0;   
    for(int i=1;i<=n;++i)  ++tax[rk[i]];   
    for(int i=1;i<=n;++i)  tax[i]+=tax[i-1];   
    for(int i=n;i>=1;--i)  sa[tax[rk[tp[i]]]--]=tp[i];    
}
void getsuf() 
{
    for(int i=1;i<=n;++i) rk[i]=arr[i],tp[i]=i; 
    qsort();   
    for(int k=1;k<=n;k<<=1) 
    {
        int p=0;   
        for(int i=n-k+1;i<=n;++i) tp[++p]=i;   
        for(int i=1;i<=n;++i) if(sa[i]>k) tp[++p]=sa[i]-k;    
        qsort(),swap(rk,tp),rk[sa[1]]=p=1;   
        for(int i=2;i<=n;++i)  
            rk[sa[i]]=(tp[sa[i-1]]==tp[sa[i]]&&tp[sa[i-1]+k]==tp[sa[i]+k])?p:++p;      
        if(p==n) break;    
        m=p;
    }  
    for(int i=1;i<=n;++i) rk[sa[i]]=i;   
    for(int i=1,k=0;i<=n;++i)
    { 
        if(k) --k;   
        int j=sa[rk[i]-1];   
        while(arr[i+k]==arr[j+k]) ++k;   
        height[rk[i]]=k;            
    }     
}               
void RMQ() 
{
    for(int i=2;i<=n;++i) Log[i]=Log[i>>1]+1;   
    for(int i=1;i<=n;++i) dp[0][i]=height[i];         
    for(int j=1;(1<<j)<=n;++j)  
        for(int i=1;i+(1<<j)-1<=n;++i)   
            dp[j][i]=min(dp[j-1][i],dp[j-1][i+(1<<j-1)]);          
}
int getmin(int l,int r) 
{
    int k=Log[r-l+1];    
    return min(dp[k][l],dp[k][r-(1<<k)+1]);   
}
struct data 
{
    int ls,rs,sum;   
    data() { ls=rs=sum=0; }   
}s[N*25];            
void pushup(int x) 
{
    s[x].sum=s[lson].sum+s[rson].sum;     
}
int update(int x,int l,int r,int p) 
{ 
    int now=++tot;    
    s[now]=s[x];         
    s[now].sum++;  
    if(l==r)  return now; 
    int mid=(l+r)>>1;   
    if(p<=mid)  s[now].ls=update(s[x].ls,l,mid,p);  
    else s[now].rs=update(s[x].rs,mid+1,r,p);      
    return now;   
}         
int query(int x,int y,int l,int r,int L,int R) 
{
    if(!x) return 0;  
    if(l>=L&&r<=R) return s[y].sum-s[x].sum;     
    int mid=(l+r)>>1,re=0;  
    if(L<=mid)  re+=query(s[x].ls,s[y].ls,l,mid,L,R);  
    if(R>mid)   re+=query(s[x].rs,s[y].rs,mid+1,r,L,R);   
    return re;  
}
void build(int &x,int l,int r) 
{
    s[x=++tot].sum=0;  
    if(l==r) return;   
    int mid=(l+r)>>1;  
    build(lson,l,mid),build(rson,mid+1,r);  
}
char str[N];  
int main()    
{  
    int Q; 
    scanf("%d%d%s",&n,&Q,str+1);    
    for(int i=1;i<=n;++i) arr[i]=str[i]-'a'+1;   
    m=27,getsuf(),RMQ(),build(rt[0],1,n); 
    for(int i=1;i<=n;++i)
        rt[i]=update(rt[i-1],1,n,sa[i]);      
    int a,b,c,d,l,r,mid,an,lp,rp,L,R; 
    while(Q--) 
    { 
        scanf("%d%d%d%d",&a,&b,&c,&d);              
        l=1,r=min(d-c+1,b-a+1),mid=0,an=0; 
        while(l<=r) 
        {
            mid=(l+r)>>1;  
            L=R=rk[c];   
            lp=1,rp=rk[c]-1;      
            while(lp<=rp) 
            {
                int tmp=(lp+rp)>>1;   
                if(getmin(tmp+1,rk[c])>=mid) L=tmp,rp=tmp-1;  
                else lp=tmp+1;       
            }  
            lp=rk[c]+1,rp=n;   
            while(lp<=rp) 
            {
                int tmp=(lp+rp)>>1;                                                               
                if(getmin(rk[c]+1,tmp)>=mid) R=tmp,lp=tmp+1;  
                
                else rp=tmp-1;  
            }  
            // [lp,rp]        
            if(query(rt[L-1],rt[R],1,n,a,b-mid+1))   
                an=mid,l=mid+1;   
            else r=mid-1; 
        }   
        printf("%d\n",an);   
    }
    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