UVA 156 Ananagrams【map+set】

本文介绍了一种高效算法,用于从给定的单词列表中找出那些无论字母如何重排都仅出现一次的单词。通过构建每个单词的标准形式并利用数据结构进行优化,确保了算法的高效性和正确性。

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

source:

点击打开链接


题意:给你一些单词,这些单词构成一个“字典”,要求在这些单词中找出那些无论字母顺序怎样重排都只有自身在“字典”中出现的单词,注意判断两个单词是否相同对大小写不敏感,而输出需输出原输入的大小写敏感形式,且结果按字典序输出。

思路:不需要读入一个单词将之排列组合一遍判断重复,只需要对每个单词构造它的“标准形式”:先所有字母转化为小写,然后对所有字母按字典序排序,构造出其“标准形式”。这样若两个单词“重排同构”,他们的标准形式必相同。

实现方法:每读入一个单词,都将之塞入set中(自动按字典序排序),同时构造该单词到其“标准形式”的映射保存到map中,另外再将标准形式的计数+1(也用map记录),最后挨个判断set中的字符串对应的“标准形式”的计数,输出计数为1的字符串。


注:

1、关于set,本来放进去就自动按字典序从小到大排列,当然也可以自己定义顺序,写一个struct,包含operator即可,详见代码

2、string也有通用的begin(),end()迭代器等,可以直接sort。

3、关于map的用法:mymap[100]="ABC";  //map中最简单最常用的插入添加!


代码如下

#include<stdio.h>
#include<iostream>
#include<algorithm>
#include<map>
#include<set>
#include<cctype>
#include<string>
using namespace std;

struct cmp
{
    bool operator()(const string a,const string b) const
    {
        return a<b;
    }
};

map<string,int> timemap;
map<string,string> standmap;
set<string,cmp> ini;  //若要自定义set的排序方式可以写一个struct,在其中定义operator即可

int main()
{
    int len;
    string s,tem,stand;
    timemap.clear();
    standmap.clear();
    ini.clear();
    while(getline(cin,s) && s[0]!='#')
    {
        len=s.size();
        for(int i=0;i<len;i++)
        {
            if(!isalpha(s[i])) continue;
            tem.clear();
            stand.clear();
            while(isalpha(s[i]))
            {
                tem+=s[i];
                stand+=tolower(s[i++]);
            }
            ini.insert(tem);
            sort(stand.begin(),stand.end());
            timemap[stand]++;
            standmap[tem]=stand;
        }
    }

    for(set<string> :: iterator it=ini.begin();it!=ini.end();it++)
        if(timemap[standmap[*it]]==1) cout<<*it<<endl;   //当标准串只出现一次时才输出
    return 0;
}


内容概要:《中文大模型基准测评2025年上半年报告》由SuperCLUE团队发布,详细评估了2025年上半年中文大模型的发展状况。报告涵盖了大模型的关键进展、国内外大模型全景图及差距、专项测评基准介绍等。通过SuperCLUE基准,对45个国内外代表性大模型进行了六大任务(数学推理、科学推理、代码生成、智能体Agent、精确指令遵循、幻觉控制)的综合测评。结果显示,海外模型如o3、o4-mini(high)在推理任务上表现突出,而国内模型如Doubao-Seed-1.6-thinking-250715在智能体Agent和幻觉控制任务上表现出色。此外,报告还分析了模型性价比、效能区间分布,并对代表性模型如Doubao-Seed-1.6-thinking-250715、DeepSeek-R1-0528、GLM-4.5等进行了详细介绍。整体来看,国内大模型在特定任务上已接近国际顶尖水平,但在综合推理能力上仍有提升空间。 适用人群:对大模型技术感兴趣的科研人员、工程师、产品经理及投资者。 使用场景及目标:①了解2025年上半年中文大模型的发展现状与趋势;②评估国内外大模型在不同任务上的表现差异;③为技术选型和性能优化提供参考依据。 其他说明:报告提供了详细的测评方法、评分标准及结果分析,确保评估的科学性和公正性。此外,SuperCLUE团队还发布了多个专项测评基准,涵盖多模态、文本、推理等多个领域,为业界提供全面的测评服务。
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