HDU - 1711 Number Sequence KMP

本文详细介绍了一种高效的字符串匹配算法——KMP算法,并提供了完整的C++实现代码。文章通过实例讲解了如何构造Next数组以及如何利用该数组进行模式串匹配。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

利用KMP算法匹配一个串T在另一个串S中首次出现的位置,套模板即可。

代码如下:

#include <bits/stdc++.h>

using namespace std;
const int N = 1000005;
int S[N], T[N]; // 下标从0开始
int lens, lent;
int Next[N]; // 下标从1开始

void getNext()
{
    int i = 0;
    int k = -1;
    Next[0] = -1;
    while (i < lent)
        if (k == -1 || T[i] == T[k])
            Next[++i] = ++k;
        else
            k = Next[k];
}

int KMP_index()
{
    int i = 0;
    int j = 0;
    getNext();
    while (i < lens && j < lent)
    {
        if (j == -1 || S[i] == T[j])
        {
            i++;
            j++;
        }
        else
            j = Next[j];
    }
    if (j == lent)
        return i - lent + 1; // 输出的答案下标从1开始,所以要+1
    else
        return -1;
}

int main()
{
    //freopen("test.txt", "r", stdin);
    //freopen("out.txt", "w", stdout);
    int t;
    scanf("%d", &t);
    while(t--)
    {
        scanf("%d%d", &lens, &lent);
        for (int i = 0; i < lens; i++)
            scanf("%d", &S[i]);
        for (int i = 0; i < lent; i++)
            scanf("%d", &T[i]);
        printf("%d\n", KMP_index());
    }
    return 0;
}


内容概要:本文档详细介绍了基于MATLAB实现的多头长短期记忆网络(MH-LSTM)结合Transformer编码器进行多变量时间序列预测的项目实例。项目旨在通过融合MH-LSTM对时序动态的细致学习和Transformer对全局依赖的捕捉,显著提升多变量时间序列预测的精度和稳定性。文档涵盖了从项目背景、目标意义、挑战与解决方案、模型架构及代码示例,到具体的应用领域、部署与应用、未来改进方向等方面的全面内容。项目不仅展示了技术实现细节,还提供了从数据预处理、模型构建与训练到性能评估的全流程指导。 适合人群:具备一定编程基础,特别是熟悉MATLAB和深度学习基础知识的研发人员、数据科学家以及从事时间序列预测研究的专业人士。 使用场景及目标:①深入理解MH-LSTM与Transformer结合的多变量时间序列预测模型原理;②掌握MATLAB环境下复杂神经网络的搭建、训练及优化技巧;③应用于金融风险管理、智能电网负荷预测、气象预报、交通流量预测、工业设备健康监测、医疗数据分析、供应链需求预测等多个实际场景,以提高预测精度和决策质量。 阅读建议:此资源不仅适用于希望深入了解多变量时间序列预测技术的读者,也适合希望通过MATLAB实现复杂深度学习模型的开发者。建议读者在学习过程中结合提供的代码示例进行实践操作,并关注模型训练中的关键步骤和超参数调优策略,以便更好地应用于实际项目中。
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