BZOJ 1692: [Usaco2007 Dec]队列变换 后缀数组_贪心

BZOJ 1692: [Usaco2007 Dec]队列变换 后缀数组_贪心

Code:

#include <bits/stdc++.h>
#define setIO(s) freopen(s".in", "r", stdin) 
#define maxn 100000
using namespace std;
int n, m, tot; 
int arr[maxn], height[maxn], A[maxn]; 
namespace SA
{
    int rk[maxn], tp[maxn], sa[maxn], tax[maxn]; 
    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 <= m ; ++i) tax[i] += tax[i - 1];
        for(int i = n; i >= 1 ; --i) sa[tax[rk[tp[i]]]--] = tp[i]; 
    }
    void build()
    {
        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(n == p) break; 
            m = p; 
        }
        int k = 0;
        for(int i = 1; i <= n ; ++i) rk[sa[i]] = i;
        for(int i = 1; i <= n ; ++i)
        {
            if(k) --k;
            int j = sa[rk[i] - 1]; 
            while(arr[i + k] == arr[j + k]) ++k;
            height[rk[i]] = k; 
        }  
    }
};
int main()
{
    // setIO("input"); 
    int len; 
    char str[2]; 
    scanf("%d",&len);
    for(int i = 1; i <= len; ++i)  scanf("%s", str), arr[++n] = A[i] = (int)(str[0] - 'A'); 
    arr[++n] = 0;        
    for(int i = len ; i >= 1 ; --i) arr[++n] = A[i];
    m = 130;  
    SA::build();
    int l = 1, r = len + 2;  
    for(int i = 1; i <= len ; ++i)
    {   
        if(SA::rk[l] < SA::rk[r])
        {
            printf("%c",(char)arr[l] + 'A'), ++l; 
        }
        else 
        {
            printf("%c",(char)arr[r] + 'A'), ++r;  
        }
        if(i % 80 == 0) printf("\n"); 
    }
    return 0; 
}

  

posted @ 2019-06-09 19:58 EM-LGH 阅读( ...) 评论( ...) 编辑 收藏
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