Codeforces Round #674 (Div. 3) F. Number of Subsequences (DP)题解

题目链接:
http://codeforces.com/contest/1426/problem/F
题目大意 :
给一串包含abc和?的字符串,?表示这里可以随便选。
如果给你ac?b?c
那么就会有[“acabac”, “acabbc”, “acabcc”, “acbbac”, “acbbbc”, “acbbcc”, “accbac”, “accbbc”, “accbcc”]
问这些字符串中有几个abc子序列。
题解
不考虑?的情况下,建一个二维数组dp[MAXN][3];
分别记录子串“1”,“12”,“123”的个数。
则有

//a[i]是记录字符串信息的数组,123分别代表abc
dp[i][1] = dp[i-1][1]+(a[i]==1);
dp[i][2] = dp[i-1][2]+(a[i]==2);
dp[i][3] = dp[i-1][3]+(a[i]==3);

接下来考虑有?的情况
(1)如果出现一个问号,则序列数变成之前的三倍。
我们用dp[i][0]记录到i位时序列的总数
则有if(a[i]==4) dp[i][0]=dp[i-1][0]*3;
“1”“12”“123”的数量变化和之前几乎是一样的
但是因为有了很多个序列,
所以从dp[i][1] = dp[i-1][1]+1变成了dp[i-1][1]+dp[i-1][0],因为之前的每一个序列的末尾都会多出一个“1”,所以这里增加的量是和序列数量有关系的
代码:

#include<iostream>
#include<cstring>
using namespace std;
 
#define rep(i,a,b) for(int i=(a);i<=(b);i++)
#define ll long long
int cansel_sync=(ios::sync_with_stdio(0),cin.tie(0),0);
const int MAXN = 2e5+5;
const ll Mod = 1e9+7;
int a[MAXN];
ll dp[MAXN][4];//0记录序列的数量,123记录a,ab,abc的数量
int n;
char hc;
int main(){
    cin>>n;
    rep(i,1,n){
        cin>>hc;
        if(hc=='?') a[i] = 4;//表示这是一个问号
        else a[i] = hc-'a'+1;
    }
    memset(dp,0,sizeof(dp));//也可以在循环里清零,这里我图个省事
    dp[0][0] = 1;
    rep(i,1,n){
        if(a[i]==4){
            dp[i][0] = dp[i-1][0]*3;
            dp[i][1] = dp[i-1][1]*3+dp[i-1][0];
            dp[i][2] = dp[i-1][2]*3+dp[i-1][1];
            dp[i][3] = dp[i-1][3]*3+dp[i-1][2];
        }
        else{
            dp[i][0] = dp[i-1][0];
            dp[i][1] = dp[i-1][1]+(a[i]==1)*dp[i-1][0];
            dp[i][2] = dp[i-1][2]+(a[i]==2)*dp[i-1][1];
            dp[i][3] = dp[i-1][3]+(a[i]==3)*dp[i-1][2];
        }
        rep(j,0,3) dp[i][j]%=Mod;
        //取模,因为不会出现1e9*1e9这样的乘,所以最后取模也没毛病
    }
    cout<<dp[n][3]<<endl;
}
  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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