CF1073G Yet Another LCP Problem

#include<bits/stdc++.h>
typedef long long ll;
const int maxn = 400100;
char buf[maxn];
int n,q;
namespace sam{
    int c[maxn][26],mx[maxn],fa[maxn],r[maxn],la,tot;
    int n,q;
    inline void ins(int w,int id){
        int p=la,now=la=++tot; mx[now] = mx[p] + 1; r[id] = tot;
        for(;p && !c[p][w];p = fa[p]) c[p][w] = now;
        if(!p) fa[now] = 1;
        else {
            int q = c[p][w];
            if(mx[q] == mx[p] + 1) fa[now] = q;
            else {
                int x = ++ tot; fa[x] = fa[q]; mx[x] = mx[p] + 1;
                memcpy(c[x],c[q],sizeof c[x]); fa[q] = fa[now] = x;
                for(;p && c[p][w] == q;p = fa[p]) c[p][w] = x;
            }
        }
    }
}
struct T{ int to,nxt; }way[maxn];
int h[maxn],num;
inline void adde(int x,int y){ way[++num]={y,h[x]},h[x]=num; }
int size[maxn],dfn[maxn],fa[maxn],dep[maxn],st[20][maxn],idx;
inline void dfs(int x){
    size[x] = 1,st[0][dfn[x] = ++ idx] = x,dep[x] = dep[fa[x]] + 1;
    for(int i=h[x];i;i=way[i].nxt)
        fa[way[i].to]=x,dfs(way[i].to), size[x] += size[way[i].to];
    st[0][idx] = fa[x];
}
inline int min(int x,int y){ return dep[x] < dep[y] ? x : y; }
inline int lca(int x,int y){
    if(dfn[x] > dfn[y]) std::swap(x,y);
    const int lg = 31 - __builtin_clz(dfn[y] - dfn[x]);
    return x == y ? x : min(st[lg][dfn[x]],st[lg][dfn[y] - (1<<lg)]);
}
ll ans = 0;
namespace vt{
    struct T{ int to,nxt; }way[maxn << 1];
    int h[maxn],num;
    int c1[maxn],c2[maxn];
    inline void adde(int x,int y){ way[++num]={y,h[x]},h[x]=num; }
    inline void dfs(int x,int f = 0){
        for(int & i = h[x];i;i=way[i].nxt)
            dfs(way[i].to,x),c1[x] += c1[way[i].to],c2[x] += c2[way[i].to];
        ans += ll(sam::mx[x] - sam::mx[f]) * c1[x] * c2[x];
    }
}
inline int cmp(int x,int y){ return dfn[x] < dfn[y]; }
int main(){
    std::ios::sync_with_stdio(false),std::cin.tie(0);
    std::cin >> n >> q >> buf + 1; sam::la=sam::tot=1;
    for(int i=n;i>=1;--i) sam::ins(buf[i] - 'a',i);
    for(int i=2;i<=sam::tot;++i){
        adde(sam::fa[i],i);
    }
    dfs(1);
    for(int i=1;i<20;++i) for(int j=1;j+(1<<i)-1<sam::tot;++j)
        st[i][j]=min(st[i-1][j],st[i-1][j+(1<<i-1)]);
    for(int i=1;i<=q;++i){
        int n1,n2; std::vector<int> v; std::cin >> n1 >> n2;
        for(int i=1,x;i<=n1;++i) std::cin >> x,x = sam::r[x],vt::c1[x] = 1,v.push_back(x);
        for(int i=1,x;i<=n2;++i) std::cin >> x,x = sam::r[x],vt::c2[x] = 1,v.push_back(x);
        std::sort(v.begin(),v.end(),cmp),v.erase(std::unique(v.begin(),v.end()),v.end());
        for(int i=0,s=v.size();i+1<s;++i) v.push_back(lca(v[i],v[i+1]));
        std::sort(v.begin(),v.end(),cmp),v.erase(std::unique(v.begin(),v.end()),v.end());
        static int st[maxn]; int top = 1; st[top] = v[0]; vt::num = 0;
        for(int i=1;i<v.size();++i){
            while(top > 1 && dfn[v[i]] >= dfn[st[top]] + size[st[top]]) -- top;
            vt::adde(st[top],v[i]); st[++top] = v[i];
        }
        ans = 0,vt::dfs(v[0]),std::cout << ans << '\n';
        for(int i=0;i<v.size();++i) vt::c1[v[i]] = vt::c2[v[i]] = 0;
    }
}

转载于:https://www.cnblogs.com/skip1978/p/11409150.html

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