BZOJ 3790: 神奇项链 manacher

3790: 神奇项链

Time Limit: 10 Sec Memory Limit: 64 MB
Submit: 551 Solved: 288
[Submit][Status][Discuss]

Description

母亲节就要到了,小 H 准备送给她一个特殊的项链。这个项链可以看作一个用小写字
母组成的字符串,每个小写字母表示一种颜色。为了制作这个项链,小 H 购买了两个机器。第一个机器可以生成所有形式的回文串,第二个机器可以把两个回文串连接起来,而且第二个机器还有一个特殊的性质:假如一个字符串的后缀和一个字符串的前缀是完全相同的,那么可以将这个重复部分重叠。例如:aba和aca连接起来,可以生成串abaaca或 abaca。现在给出目标项链的样式,询问你需要使用第二个机器多少次才能生成这个特殊的项链。

Input

输入数据有多行,每行一个字符串,表示目标项链的样式。

Output

多行,每行一个答案表示最少需要使用第二个机器的次数。

Sample Input

abcdcba

abacada

abcdef

Sample Output

0

2

5

HINT

每个测试数据,输入不超过 5行

每行的字符串长度小于等于 50000

分析

就是问最少用多少个回文串可以覆盖整个区间,最后ans-1就行了。
先跑一遍manacher,然后可以找到每个最长回文串的起点和终点(长的肯定比短的好)再贪心地选择最少的区间覆盖整个区间。
之前搜这道题看到树状数组优化……恐慌,结果贪心就能水了。。
贪心方法:先按起点从小到大排序,再选择起点在已覆盖的时间段内,终点最远的回文串。直至覆盖完全。

#include<cstdio>
#include<cstring>
#include<algorithm>
using namespace std;

const int N = 100010;

char s[N],s1[N];
int val[N];
int cnt=0;

inline int Min(int a,int b){
    return a<b?a:b;
}

struct node{
    int l,r;
}a[N];

void manacher(){
    int len=strlen(s);
    for(register int i=0;i<len;i++)
        s1[++cnt]='#',s1[++cnt]=s[i];
    s1[0]='+',s1[++cnt]='#';
    int mx=0,id;
    for(register int i=1;i<=cnt;i++){
        if(mx>=i) val[i]=Min(mx-i+1,val[id*2-i]);
        else val[i]=1;
        while(s1[i-val[i]]==s1[i+val[i]]) val[i]++;
        if(i+val[i]-1>mx) mx=i+val[i]-1,id=i;
        a[i].l=i-val[i]+1,a[i].r=i+val[i]-1;
    }
}

bool cmp(const node &a,const node &b){
    return a.l<b.l||(a.l==b.l&&a.r<b.r);
}

int ti=1;
int ans=0;

#define ms(x,y) memset(x,y,sizeof(x))
void update(){
    ans=0,ti=1,cnt=0;
    ms(val,0);
}

int main(){
//  freopen("test.txt","r",stdin);
    while(scanf("%s",s)!=EOF){
        update();
        manacher();
        //for(register int i=0;i<=cnt;i++) printf("%c",s1[i]);
    //  for(register int i=1;i<=cnt;i++)
    //     printf("%d %d\n",a[i].l,a[i].r);
        sort(a+1,a+cnt+1,cmp);
        for(register int i=1;i<=cnt;i++){
            int x=0;
            if(a[i].r<=ti) continue;
            for(register int j=i;j<=cnt;j++){
                if(a[j].l<=ti&&a[j].r>=a[x].r) x=j;
                else if(a[j].l>ti) break;
            }
            ti=a[x].r;ans++;
            if(ti>=cnt) break;
        }
        printf("%d\n",ans-1);
    }
    return 0;
}
1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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