Manacher处理字符串

Manacher处理字符串

Manacher算法在求回文串的时候是一种很高效的算法,这里讲解一些这个算法的原理以及简单的模板。

  1. 原理讲解:

    • 首先对字符串进行预处理,在字符串的中间以及两边都加上一个不会出现的字符,然后这样就可以保证我们求的字符串都是一个长度为奇数的回文串。如下:
      原始字符串s=“absbffbsma",插入一个字符’#'后形成的新字符串sn="#a#b#s#b#f#f#b#s#m#a#". 对与这样的处理,我们可以发现这个字符串有两个性质:
      1.回文串的长度总是一个奇数的
      2.回文串的两端一定是自己所插入的那个字符串。
    • 性质利用:
      第一个性质:首先说明一下如何求新形成的字符串sn的回文串,我们创建一个数组p[inf],对应的是每一个位置i时,由位置i形成的回文串能向一边延伸的最大长度。另外创键两个整数pos,R,他们所代表的是目前位置前面的回文串中右端点最大的位置R和该回文串中心的位置pos
      求解p[i],在前面i-1的回文串都已经求得的情况下位置i的值一个是i关于位置pos对称位置j的值p[i],另一种是i的最右端超出了R的右侧,此时暴力求出R右侧的长度。
      在这里插入图片描述
      由此我们可以看出,这个算法的时间复杂度是线性的,因此是一种非常高效的算法。
      第二个性质:第二个性质主要是用来字符串sn的答案转换成原来字符串s的。在sn中,以i为中心的回文串长度为2×p[i]-1 (p[i]最小值1),由于已经保证的两端的字符串一定是我们插入的字符串,所以其中原来的字符串和插入的字符串个数分别为p[i]-1和p[i].
  2. 代码实现

下面贴上一份代码:

#include<iostream>
#include<string>
using namespace std;
const int inf = 1e4;
string s;
char sn[inf];
int p[inf];
int main()
{	
	while(cin>>s){
		if(s==".")break;
		for(int i=1;i<=s.length();i++){sn[i*2-1]='$',sn[i*2]=s[i-1];}
		sn[s.length()*2+1]='$';
		int pos=0,R=0;
		int len=s.length()*2+1;
		for(int i=1;i<=len;i++){
			if(i<R)p[i]=min(p[pos*2-i],R-i);else p[i]=1;
			while(i+p[i]<=len&&i-p[i]>=1&&sn[i+p[i]]==sn[i-p[i]])p[i]++;
			if(i+p[i]>R){
				pos=i;R=i+p[i];
			}
		}
		int ans=0;pos=0;
		for(int i=1;i<=len;i++)if(ans<p[i]){ans=p[i];pos=i;}
		//单纯求出最大回文串的长度
		cout<<ans-1<<endl;
		//下面几行是输出原来字符串中的回文串
		// for(int i=pos-p[pos]+1;i<pos+p[pos];i++){
		// 	if(i%2==0)cout<<s[i/2-1];
		// }
		// cout<<endl;
	}
	return 0;
}
posted @ 2018-10-19 11:45 i-Curve 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