KMP算法

  AC自动机铺垫章节,必备前置技能
  KMP算法,俗称看毛片算法,是一种线性复杂度的高效字符串匹配算法,虽然工程代码运用很少(因为现实生活不会有精心构造的“良心数据”),但是在算法竞赛中非常实用高效。
  按照惯例给出原理详解代码(写的真心很好,巨详细,超耐心,自带配图):神犇的博客
  很多的详解都是按这篇博客仿出来的(有的甚至直接复制),侧面说明这篇博客是非常良心的了,只是文字量略大。。(都说了非常良心了),这篇博客里的程序能求出寻找的目标字符串在文本里第一次出现的位置,而博主的这篇博客给出的程序能求出目标串出现的所有位置(其实只是做了一个很小很简单的的改动2333)
  模板题链接:洛谷P3375
  博主的最近几篇博客都很水,其实是为AC自动机做铺垫(顺便水几篇博客维持一下我的持之以恒勋章),AC自动机可能会认真写一篇博客。。。
  KMP的代码量其实非常小,主要是原理理解上的问题,不过既然有神犇的博客做挡箭牌,博主这里自然就偷一波懒。
  先用个递推求出next数组的值,next[i]表示前i个字符构成的字符串中相同前后缀的长度(多次阅读以便理解),至于这个next数组有什么用,为什么使用这个next,原理是什么,请各位老爷参考前方的大佬博客:

void n()
{
    next[0]=-1;
    int k=-1,j=0;//强势赋初值
    while(j<len2)
    {
        if(k==-1||ch2[j]==ch2[k])
        {//如果前缀与后缀可以匹配,记录next,进入下一步
            j++;
            k++;
            next[j]=k;
        }
        else
        {//如果匹配不上,k就往回跳
            k=next[k];
        }
    }
}

  这个过程跟kmp本身其实是一个原理,利用已知的next求剩余的,其中失配时k的跳转跟kmp是一样的,深入理解了以后其实是很简单的。
  然后就是利用next数组进行匹配了,只需遍历一遍,复杂度是线性的。

void kmp()
{
    int i=0,j=0;
    while(i<len1)
    {
        if(ch1[i]==ch2[j]||j==-1)
        {//如果匹配成功或者j是第一个字符的next状态,继续匹配下一个
            i++;
            j++;
            if(j==len2)
            {//如果目标串匹配完毕,输出一个位置,重置j
                printf("%d\n",i-j+1);
                j=next[j];
            }
        }
        else
        {//如果失配了,也重置
            j=next[j];
        }
    }
}

  重置j的过程是最难理解的,请读者多多膜拜大佬的博客,多多打代码。
  最后附上模板题的AC代码:

#include<bits/stdc++.h>
using namespace std;
char ch1[1000005],ch2[1000005];
int len1,len2;
int next[1000005];
void n()
{
    next[0]=-1;
    int k=-1,j=0;
    while(j<len2)
    {
        if(k==-1||ch2[j]==ch2[k])
        {
            j++;
            k++;
            next[j]=k;
        }
        else
        {
            k=next[k];
        }
    }
}
void kmp()
{
    int i=0,j=0;
    while(i<len1)
    {
        if(ch1[i]==ch2[j]||j==-1)
        {
            i++;
            j++;
            if(j==len2)
            {
                printf("%d\n",i-j+1);
                j=next[j];
            }
        }
        else
        {
            j=next[j];
        }
    }
}
int main()
{
    scanf("%s%s",ch1,ch2);
    len1=strlen(ch1);
    len2=strlen(ch2);
    n();
    kmp();
    for(int i=1;i<=len2;i++)
    {
        printf("%d ",next[i]);
    }
    return 0;
}
内容概要:本文围绕EKF SLAM(扩展卡尔曼滤波同步定位与地图构建)的性能展开多项对比实验研究,重点分析在稀疏与稠密landmark环境下、预测与更新步骤同时进行与非同时进行的情况下的系统性能差异,并进一步探讨EKF SLAM在有色噪声干扰下的鲁棒性表现。实验考虑了不确定性因素的影响,旨在评估不同条件下算法的定位精度与地图构建质量,为实际应用中EKF SLAM的优化提供依据。文档还提及多智能体系统在遭受DoS攻击下的弹性控制研究,但核心内容聚焦于SLAM算法的性能测试与分析。; 适合人群:具备一定机器人学、状态估计或自动驾驶基础知识的科研人员及工程技术人员,尤其是从事SLAM算法研究或应用开发的硕士、博士研究生和相关领域研发人员。; 使用场景及目标:①用于比较EKF SLAM在不同landmark密度下的性能表现;②分析预测与更新机制同步与否对滤波器稳定性与精度的影响;③评估系统在有色噪声等非理想观测条件下的适应能力,提升实际部署中的可靠性。; 阅读建议:建议结合MATLAB仿真代码进行实验复现,重点关注状态协方差传播、观测更新频率与噪声模型设置等关键环节,深入理解EKF SLAM在复杂环境下的行为特性。稀疏 landmark 与稠密 landmark 下 EKF SLAM 性能对比实验,预测更新同时进行与非同时进行对比 EKF SLAM 性能对比实验,EKF SLAM 在有色噪声下性能实验
内容概要:本文围绕“基于主从博弈的售电商多元零售套餐设计与多级市场购电策略”展开,结合Matlab代码实现,提出了一种适用于电力市场化环境下的售电商优化决策模型。该模型采用主从博弈(Stackelberg Game)理论构建售电商与用户之间的互动关系,售电商作为领导者制定电价套餐策略,用户作为跟随者响应电价并调整用电行为。同时,模型综合考虑售电商在多级电力市场(如日前市场、实时市场)中的【顶级EI复现】基于主从博弈的售电商多元零售套餐设计与多级市场购电策略(Matlab代码实现)购电组合优化,兼顾成本最小化与收益最大化,并引入不确定性因素(如负荷波动、可再生能源出力变化)进行鲁棒或随机优化处理。文中提供了完整的Matlab仿真代码,涵盖博弈建模、优化求解(可能结合YALMIP+CPLEX/Gurobi等工具)、结果可视化等环节,具有较强的可复现性和工程应用价值。; 适合人群:具备一定电力系统基础知识、博弈论初步认知和Matlab编程能力的研究生、科研人员及电力市场从业人员,尤其适合从事电力市场运营、需求响应、售电策略研究的相关人员。; 使用场景及目标:① 掌握主从博弈在电力市场中的建模方法;② 学习售电商如何设计差异化零售套餐以引导用户用电行为;③ 实现多级市场购电成本与风险的协同优化;④ 借助Matlab代码快速复现顶级EI期刊论文成果,支撑科研项目或实际系统开发。; 阅读建议:建议读者结合提供的网盘资源下载完整代码与案例数据,按照文档目录顺序逐步学习,重点关注博弈模型的数学表达与Matlab实现逻辑,同时尝试对目标函数或约束条件进行扩展改进,以深化理解并提升科研创新能力。
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

打赏作者

ShadyPi

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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