洛谷P4199 万径人踪灭(manacher+FFT)

传送门

 

题目所求为所有的不连续回文子序列个数,可以转化为回文子序列数-回文子串数

回文子串manacher跑一跑就行了,考虑怎么求回文子序列数

我们考虑,如果$S_i$是回文子序列的对称中心,那么只要$S_{i-j}$和$S_{i+j}$相等,我们就多了一种选择

设共有$x$组相等的,那么以$S_i$为对称中心的回文子序列个数就是$2^{x+1}-1$,表示这$x$组包括对称中心选或不选,除去全都不选的都能算入答案

然而对称中心不一定在字符上可能在两个字符中间,那么这种时候回文子序列数就是$2^x-1$(因为没有中间的字符所以无所谓选不选)

然后考虑如何计算每一个位置上的$x$

我们考虑构造多项式$A$,原串上为$a$的位置设为$1$,$b$的位置设为$0$,如果$s[i]==s[j]$,那么他们的贡献会加到$(i+j)/2$上

然后发现这玩意儿和卷积很像,于是我们把除以二去掉,那么每一对$s[i]==s[j]$都会把贡献加到$i+j$上,所以只要把$A$自乘一下就可以了

然后构造$B$,原串上为$b$的位置设为$0$,也自乘一下就行了

然后把$A$和$B$对应系数加起来,再减去((i&1)^1)(表示这一位对称中心是否在字符上),再求一下$2$的多少次幂减一,最后减掉回文串个数就行了

 1 //minamoto
 2 #include<iostream>
 3 #include<cstdio>
 4 #include<cstring>
 5 #include<cmath>
 6 #include<algorithm>
 7 #define ll long long
 8 #define add(x,y) (x+y>=P?x+y-P:x+y)
 9 using namespace std;
10 const int N=5e5+5,P=1e9+7;const double Pi=acos(-1.0);
11 struct complex{
12     double x,y;
13     complex(double xx=0,double yy=0){x=xx,y=yy;}
14     inline complex operator +(complex b){return complex(x+b.x,y+b.y);}
15     inline complex operator -(complex b){return complex(x-b.x,y-b.y);}
16     inline complex operator *(complex b){return complex(x*b.x-y*b.y,x*b.y+y*b.x);}
17 }A[N],B[N];
18 int n,m,l,r[N],limit=1;
19 void FFT(complex *A,int type){
20     for(int i=0;i<limit;++i)
21     if(i<r[i]) swap(A[i],A[r[i]]);
22     for(int mid=1;mid<limit;mid<<=1){
23         complex Wn(cos(Pi/mid),type*sin(Pi/mid));
24         for(int R=mid<<1,j=0;j<limit;j+=R){
25             complex w(1,0);
26             for(int k=0;k<mid;++k,w=w*Wn){
27                 complex x=A[j+k],y=w*A[j+k+mid];
28                 A[j+k]=x+y,A[j+k+mid]=x-y;
29             }
30         }
31     }
32 }
33 ll s[N],ans[N],x[N],p[N],sum;char ss[N];
34 void manacher(){
35     int mx=0,id;
36     for(int i=1,l=(n<<1)+1;i<=l;++i){
37         p[i]=i<mx?min(p[2*id-i],(ll)mx-i):1ll;
38         while(x[i-p[i]]==x[i+p[i]]) ++p[i];
39         if(mx<i+p[i]) mx=i+p[i],id=i;
40     }
41 }
42 ll ksm(ll a,ll b){
43     ll res=1;
44     while(b){
45         if(b&1) res=res*a%P;
46         a=a*a%P,b>>=1;
47     }
48     return res;
49 }
50 int main(){
51 //    freopen("testdata.in","r",stdin);
52     scanf("%s",ss+1);n=strlen(ss+1);
53     for(int i=1;i<=n;++i) s[i]=ss[i]=='a';
54     for(int i=1;i<=n;++i)
55     x[(i<<1)-1]=2,x[i<<1]=s[i];
56     x[0]=-1,x[(n+1)<<1]=-2,x[(n<<1)+1]=2;
57     while(limit<=(n<<1)+1) limit<<=1,++l;
58     for(int i=0;i<limit;++i)
59     r[i]=(r[i>>1]>>1)|((i&1)<<(l-1));
60     for(int i=1;i<=n;++i) A[i].x=B[i].x=s[i];
61     FFT(A,1),FFT(B,1);
62     for(int i=0;i<limit;++i) A[i]=A[i]*B[i];
63     FFT(A,-1);
64     for(int i=1,l=(n<<1)+1;i<=l;++i) ans[i]+=((ll)(A[i].x/limit+0.5)-((i&1)^1));
65     memset(A,0,sizeof(A)),memset(B,0,sizeof(B));
66     for(int i=1;i<=n;++i) A[i].x=B[i].x=(s[i]^1);
67     FFT(A,1),FFT(B,1);
68     for(int i=0;i<limit;++i) A[i]=A[i]*B[i];
69     FFT(A,-1);
70     for(int i=1,l=(n<<1)+1;i<=l;++i) ans[i]+=((ll)(A[i].x/limit+0.5)-((i&1)^1));
71     for(int i=1,l=(n<<1)+1;i<=l;++i) ans[i]=((ans[i]+((i&1)^1))>>1)+((i&1)^1);
72     for(int i=1,l=(n<<1)+1;i<=l;++i) ans[i]=ksm(2,ans[i])-1;
73     manacher();
74     for(int i=1,l=(n<<1)+1;i<=l;++i) ans[i]-=(p[i]>>1);
75     for(int i=1,l=(n<<1)+1;i<=l;++i) sum=add(sum,ans[i]);
76     printf("%lld\n",sum);
77     return 0;
78 }

 

转载于:https://www.cnblogs.com/bztMinamoto/p/9759777.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