【字符串】KMP算法

对于正常的字符串模式匹配,主串长度为m,子串为n,时间复杂度会到达O(m*n),而如果用KMP算法,复杂度将会减少线型时间O(m+n)。

KMP这个是查找这个串在母串的位置
洛谷P3375

#include<bits/stdc++.h>
using namespace std;

char s[1000005],p[1000005];
int net[1000005];
void getnext(char *p){
    int lenp=strlen(p);
    net[0]=-1;
    int k=-1;
    int j=0;
    while(j<lenp){
        if(k==-1||p[j]==p[k]){
            j++;k++;
            net[j]=k;
        }
        else
            k=net[k];
    }
}

vector<int> vec;
void kmp(char *s,char *p){
    int lens=strlen(s);
    int lenp=strlen(p);
    int i=0,j=0;
    while(i<lens){
        if(j==-1||s[i]==p[j]){
            i++;j++;
        }
        else j=net[j];
        if(j==lenp){
			vec.push_back(i-lenp+1);
           	j=net[j];
		}
    }
}

int main(){
	scanf("%s",s);	
	scanf("%s",p);	
    getnext(p);
	kmp(s,p);
	for(auto it:vec) cout<<it<<endl;
	for(int i=1;i<=strlen(p);i++){
		cout<<net[i]<<" ";
	}
	puts("");
    return 0;
}






如果觉得KMP难以理解没关系,我们可以用C++STL的find函数替代!

在这里插入图片描述
不过这个时间复杂度是O(m*n),大于KMP算法

内容概要:本文介绍了基于贝叶斯优化的CNN-LSTM混合神经网络在时间序列预测中的应用,并提供了完整的Matlab代码实现。该模型结合了卷积神经网络(CNN)在特征提取方面的优势与长短期记忆网络(LSTM)在处理时序依赖问题上的强大能力,形成一种高效的混合预测架构。通过贝叶斯优化算法自动调参,提升了模型的预测精度与泛化能力,适用于风电、光伏、负荷、交通流等多种复杂非线性系统的预测任务。文中还展示了模型训练流程、参数优化机制及实际预测效果分析,突出其在科研与工程应用中的实用性。; 适合人群:具备一定机器学习基基于贝叶斯优化CNN-LSTM混合神经网络预测(Matlab代码实现)础和Matlab编程经验的高校研究生、科研人员及从事预测建模的工程技术人员,尤其适合关注深度学习与智能优化算法结合应用的研究者。; 使用场景及目标:①解决各类时间序列预测问题,如能源出力预测、电力负荷预测、环境数据预测等;②学习如何将CNN-LSTM模型与贝叶斯优化相结合,提升模型性能;③掌握Matlab环境下深度学习模型搭建与超参数自动优化的技术路线。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,重点关注贝叶斯优化模块与混合神经网络结构的计逻辑,通过调整数据集和参数加深对模型工作机制的理解,同时可将其框架迁移至其他预测场景中验证效果。
KMP算法字符串匹配中应用广泛,能显著提升匹配效率,尤其是面对较长的模式或文本时,其优势相较于朴素字符串匹配算法更为明显,常用于文本编辑器搜索功能、数据压缩中的字符串查找等领域 [^1]。 ### 原理 KMP算法的核心在于利用已经匹配过的部分信息,避免在匹配过程中进行不必要的回溯。该算法通过对模式进行预处理,生成一个 `next` 数组,`next` 数组记录了模式中每个位置之前的子串的最长公共前后缀长度。当匹配过程中出现字符不匹配的情况时,根据 `next` 数组的值,将模式向右移动一定的位数,从而跳过一些不必要的比较步骤。 ### 实现代码 以下是C++实现KMP算法的代码示例: ```cpp #include <iostream> #include <vector> #include <string> // 生成next数组 std::vector<int> getNextArr(const std::string& p) { int m = p.size(); std::vector<int> next(m); next[0] = -1; int i = 0, j = -1; while (i < m - 1) { if (j == -1 || p[i] == p[j]) { ++i; ++j; next[i] = j; } else { j = next[j]; } } return next; } // KMP算法实现 int kmp(const std::string& s, const std::string& p) { std::vector<int> next = getNextArr(p); int n = s.size(); int m = p.size(); int i = 0, j = 0; while (i < n && j < m) { if (j == -1 || s[i] == p[j]) { ++i; ++j; } else { j = next[j]; } } if (j == m) { return i - m; } return -1; } ``` ### 使用方法 可以使用以下方式调用上述实现的KMP算法: ```cpp int main() { std::string text = "ABABDABACDABABCABAB"; std::string pattern = "ABABCABAB"; int result = kmp(text, pattern); if (result != -1) { std::cout << "Pattern found at index: " << result << std::endl; } else { std::cout << "Pattern not found." << std::endl; } return 0; } ``` 在上述代码中,`getNextArr` 函数用于生成模式的 `next` 数组,`kmp` 函数则是具体的KMP匹配函数。在 `main` 函数中,定义了一个文本 `text` 和一个模式 `pattern`,调用 `kmp` 函数进行匹配,并根据返回结果输出匹配信息。
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