后缀自动机 模板

SAM板子,没什么好说的

建出来SAM然后跑个DFS统计答案就行了
 

#include <cmath>
#include <cstdio>
#include <cstring>
#include <algorithm>
#define ll long long 
#define N 3010
#define rint register int
#define il inline
#define idx(x) (x-'a'+1)
using namespace std;
//re
char str[N];
int head[N<<1];
int cte;
struct Edge{int to,nxt;}e[N<<1];
void ae(int u,int v){cte++;e[cte].to=v,e[cte].nxt=head[u],head[u]=cte;}
struct SAM{
    int fa[N<<1],trs[N<<1][28],dep[N<<1],sum[N<<1],sz[N<<1],cnt,last;
    void init(){cnt=last=1;}
    void ins(int x)
    {
        int p=last,np=++cnt,q,nq;
        last=np,dep[np]=dep[p]+1;
        for(;p&&!trs[p][x];p=fa[p]) trs[p][x]=np;
        if(!p){fa[np]=1;}
        else{
            q=trs[p][x];
            if(dep[q]==dep[p]+1) fa[np]=q;
            else{
                fa[nq=++cnt]=fa[q];
                fa[q]=fa[np]=nq;
                dep[nq]=dep[p]+1;
                memcpy(trs[nq],trs[q],sizeof(trs[q]));
                for(;p&&trs[p][x]==q;p=fa[p]) trs[p][x]=nq;
            }
        }
    }
    ll dfs(int x)
    {
        ll ans=0;
        for(int j=head[x];j;j=e[j].nxt){
            int v=e[j].to;
            ans=max(ans,dfs(v));
            sz[x]+=sz[v],sum[x]+=sum[v];
        }sz[x]++;
        if(sz[x]==1) {sum[x]++;return 0;}
        else {return max(ans,1ll*sum[x]*dep[x]);}
    }
}sam;

int main()
{
    freopen("testdata.in","r",stdin);
    scanf("%s",str+1);
    int len=strlen(str+1);
    sam.init();
    for(int i=len;i>=1;--i)
        sam.ins(idx(str[i]));
    for(int i=2;i<=sam.cnt;i++)
        ae(sam.fa[i],i);
    printf("%lld\n",sam.dfs(1));
    return 0;
}





 

内容概要:本文介绍了一个基于MATLAB实现的无人机三维路径规划项目,采用蚁群算法(ACO)与多层感知机(MLP)相结合的混合模型(ACO-MLP)。该模型通过三维环境离散化建模,利用ACO进行全局路径搜索,并引入MLP对环境特征进行自适应学习与启发因子优化,实现路径的动态调整与多目标优化。项目解决了高维空间建模、动态障碍规避、局部最优陷阱、算法实时性及多目标权衡等关键技术难题,结合并行计算与参数自适应机制,提升了路径规划的智能性、安全性和工程适用性。文中提供了详细的模型架构、核心算法流程及MATLAB代码示例,涵盖空间建模、信息素更新、MLP训练与融合优化等关键步骤。; 适合人群:具备一定MATLAB编程基础,熟悉智能优化算法与神经网络的高校学生、科研人员及从事无人机路径规划相关工作的工程师;适合从事智能无人系统、自动驾驶、机器人导航等领域的研究人员; 使用场景及目标:①应用于复杂三维环境下的无人机路径规划,如城市物流、灾害救援、军事侦察等场景;②实现飞行安全、能耗优化、路径平滑与实时避障等多目标协同优化;③为智能无人系统的自主决策与环境适应能力提供算法支持; 阅读建议:此资源结合理论模型与MATLAB实践,建议读者在理解ACO与MLP基本原理的基础上,结合代码示例进行仿真调试,重点关注ACO-MLP融合机制、多目标优化函数设计及参数自适应策略的实现,以深入掌握混合智能算法在工程中的应用方法。
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