BZOJ 3160 FFT+Manacher

思路:
这道题思路好奇怪…….

我们先要知道关于x (x可以是间隙) 对称的有几对字母
显然暴力是n^2的
那怎么办呢

先把所有’a’看成1 ‘b’看成0

意外的发现 这不就是卷积嘛

再倒过来搞一搞
加一下

2^x-1就是包含连续的回文串的解了

然后 跑个manacher 把包含的删掉就好啦

时间复杂度是O(nlogn)的

代码:

//By SiriusRen
#include <cstdio>
#include <complex>
#include <cstring>
#include <algorithm>
using namespace std;
typedef long long ll;
typedef complex<double> cplxd;
const int N=270050,mod=1000000007;const double pi=acos(-1);
int n,nn,L,R[N],p[N],id,mx,ans;
char ch[N];
cplxd a[N],b[N];
void FFT(cplxd *a,int f){
    for(int i=0;i<n;i++)if(i<R[i])swap(a[i],a[R[i]]);
    for(int i=1;i<n;i<<=1){
        cplxd wn(cos(pi/i),f*sin(pi/i));
        for(int j=0;j<n;j+=(i<<1)){
            cplxd w(1,0);
            for(int k=0;k<i;k++,w*=wn){
                cplxd x=a[j+k],y=w*a[j+k+i];
                a[j+k]=x+y,a[j+k+i]=x-y;
            }
        }
    }
    if(!~f)for(int i=0;i<n;i++)a[i]/=n;
}
int pow(ll x){
    ll res=1,tmp=2;
    for(;x;x>>=1,tmp=(tmp*tmp)%mod)if(x&1)res=(res*tmp)%mod;
    return res;
}
int main(){
    scanf("%s",ch+1);
    n=strlen(ch+1),nn=n*2+2;
    for(int i=1;i<=n;i++)if(ch[i]=='a')a[i]=1;else b[i]=1;
    for(int i=n;i;i--)ch[i*2]=ch[i],ch[i*2-1]='#';
    ch[0]='&',ch[n*2+1]='#',ch[n*2+2]='$';
    for(n=1;n<=nn;n<<=1)L++;
    for(int i=0;i<n;i++)R[i]=(R[i>>1]>>1)|((i&1)<<(L-1));
    FFT(a,1);for(int i=0;i<n;i++)a[i]*=a[i];FFT(a,-1);
    FFT(b,1);for(int i=0;i<n;i++)b[i]*=b[i];FFT(b,-1);
    for(int i=0;i<n;i++)a[i]+=b[i];
    for(int i=1;i<=nn;i++){
        if(mx>i)p[i]=min(p[id*2-i],p[id]+id-i);
        else p[i]=1;
        while(ch[i-p[i]]==ch[i+p[i]])p[i]++;
        if(i+p[i]>mx)mx=i+p[i],id=i;
    }
    for(int i=1;i<=nn;i++,ans%=mod)ans-=(p[i]-(i&1))/2;
    for(int i=0;i<n;i++)ans=(ans+pow((ll(a[i].real()+1.1))/2)-1)%mod;
    printf("%d\n",ans);
}

这里写图片描述

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