P4555 [国家集训队] 最长双回文串 题解

本文提供了一种通过哈希优化的算法,用于解决最长双回文串问题。该方法通过枚举分割点,分别计算前缀和后缀的最长回文串长度,并利用哈希表在O(n)时间内验证,解决了问题的线性复杂度。

P4555 [国家集训队] 最长双回文串 题解

补一个题解区没有的解法。

解法

通过哈希实现的线性做法,受讨论区启发。

考虑枚举双回文串的分割点,即分割点左右各是一个回文串,对于每个分割点,我们最大化两个回文串的长度,而且两个回文串是互不影响的。

问题转化为求原串的所有前缀的最长回文后缀和所有后缀的最长回文前缀。因为两个问题求法是类似的,所以这里只说如何求所有前缀的最长回文后缀。

我们记 preipre_iprei 表示前 iii 个字符组成的最长回文后缀。显然,prei≤ipre_i \le ipreii。再思考一下,可以发现 prei≤prei−1+2pre_i \le pre_{i-1}+2preiprei1+2,因为回文中心不可能向左移动,否则 prei−1pre_{i-1}prei1 将会变得更大,不符合定义。我们可以从 min⁡(i,prei−1+2)\min(i,pre_{i-1}+2)min(i,prei1+2) 开始向 111 暴力枚举 preipre_iprei,使用哈希 O(1)\mathcal{O}(1)O(1) 检验。

乍一看,这个做法是暴力,不能保证复杂度。但发现每次 preprepre 的上界只能增加 222,一共只能增加 2n2n2n,所以只会暴力检验 O(n)\mathcal{O}(n)O(n) 次,所以总复杂度是线性。

代码

#include<bits/stdc++.h>
namespace fast_IO
{
	#define Getchar() p1==p2 and (p2=(p1=Inf)+fread(Inf,1,1<<21,stdin),p1==p2)?EOF:*p1++
	char Inf[1<<21],*p1,*p2;
	inline bool inrange(const char &ch)
	{
		if(ch>=33 && ch<=126) return true;
		return false;
	}
	inline void read(std::string &st,char c=Getchar())
	{
		st.clear();
		while(!inrange(c)) c=Getchar();
		while(inrange(c)) st+=c,c=Getchar();
	}
};
using namespace fast_IO;
#define int long long
std::string st;
int pre[100010],suf[100010],n,has1[100010],has2[100010],pw[100010],ans;
const int base=131,p=998244353;
inline int cal1(const int l,const int r)
{
	if(l>r) return 0;
	return (has1[r]-has1[l-1]*pw[r-l+1]%p+p)%p;
}
inline int cal2(const int l,const int r)
{
	if(l>r) return 0;
	return (has2[l]-has2[r+1]*pw[r-l+1]%p+p)%p;
}
inline void solve()
{
	pre[1]=1;
	for(int i=2,len;i<=n;i++)
	{
		len=std::min(i,pre[i-1]+2);
		while(cal1(i-len+1,i)!=cal2(i-len+1,i)) len--;
		pre[i]=len;
	}
	suf[n]=1;
	for(int i=n-1,len;i;i--)
	{
		len=std::min(n-i+1,suf[i+1]+2);
		while(cal1(i,i+len-1)!=cal2(i,i+len-1)) len--;
		suf[i]=len;
	}
}
signed main()
{
	read(st),n=st.size(),st="#"+st,pw[0]=1;
	for(int i=1;i<=100000;i++) pw[i]=pw[i-1]*base%p;
	for(int i=1;i<=n;i++) has1[i]=(has1[i-1]*base+st[i]-'a'+1)%p;
	for(int i=n;i;i--) has2[i]=(has2[i+1]*base+st[i]-'a'+1)%p;
	solve();
	for(int i=1;i<n;i++) ans=std::max(ans,pre[i]+suf[i+1]);
	std::cout<<ans;
	return 0;
}
<think> 我们要解决最长问题,这里提供两种常见的方法:中心扩展算法和动态规划。 但是根据引用[2]和引用[3]的内容,中心扩展算法是比较高效且易于理解的。另外,引用[1]中提到了暴力法,但效率较低(O(n^2)的时间复杂度,并且判断回还需要O(n)的时间,总时间复杂度O(n^3)),所以不推荐。 中心扩展算法的思想:遍历字符的每个字符,以当前字符为中心向两边扩展,寻找最长的回。注意回长度可能是奇数或偶数,所以每次以当前字符为中心,分别考虑奇数情况(中心为一个字符,如"aba")和偶数情况(中心为两个相同字符,如"abba")。 具体步骤: 1. 遍历字符中的每个字符,以该字符为中心,进行奇数扩展和偶数扩展。 2. 对于奇数扩展:初始化左右指针为当前字符的位置,然后向左右两边移动,直到左右字符不相等或到达边界。 3. 对于偶数扩展:初始化左指针为当前字符,右指针为当前字符的下一个字符(要求当前字符和下一个字符相同),然后向左右扩展直到不相等或到达边界。 4. 每次扩展后,记录当前回的起始位置和长度(或结束位置),并更新最长。 5. 遍历结束后,返回最长。 引用[2]和[3]都使用了中心扩展算法,这里我们结合两者,写一个清晰的Java实现。 注意:中心扩展算法的时间复杂度为O(n^2),空间复杂度为O(1)。 代码实现如下: </think> ### Java 实现最长问题题解 #### 1. 中心扩展算法(推荐) 这是最高效的解法,时间复杂度 $O(n^2)$,空间复杂度 $O(1)$。算法核心思想是**以每个字符为中心向两侧扩展**,同时处理奇偶长度的回: ```java class Solution { public String longestPalindrome(String s) { if (s == null || s.length() < 1) return ""; int start = 0, end = 0; // 记录最长的起止索引 for (int i = 0; i < s.length(); i++) { // 处理奇数长度回(如"aba") int len1 = expandCenter(s, i, i); // 处理偶数长度回(如"abba") int len2 = expandCenter(s, i, i + 1); int len = Math.max(len1, len2); // 更新最长位置 if (len > end - start) { start = i - (len - 1) / 2; end = i + len / 2; } } return s.substring(start, end + 1); } // 中心扩展函数 private int expandCenter(String s, int left, int right) { while (left >= 0 && right < s.length() && s.charAt(left) == s.charAt(right)) { left--; right++; } return right - left - 1; // 返回回长度 } } ``` **算法流程**: 1. 遍历字符每个字符作为中心点 2. 同时向左右扩展直到字符不匹配 3. 记录奇数/偶数长度回的最大长度 4. 通过中心点和长度计算子起止位置 **示例解析**: - 输入 `"babad"`: - `i=0`:奇数扩展得 `"b"`,偶数扩展得 `""` - `i=1`:奇数扩展得 `"bab"`,偶数扩展得 `"aba"` - 最终输出 `"bab"`(或 `"aba"`) --- #### 2. 动态规划解法 时间复杂度 $O(n^2)$,空间复杂度 $O(n^2)$,适合理解回结构: ```java class Solution { public String longestPalindrome(String s) { int n = s.length(); boolean[][] dp = new boolean[n][n]; int maxLen = 1; int start = 0; // 初始化单字符回 for (int i = 0; i < n; i++) { dp[i][i] = true; } // 双字符回检查 for (int i = 0; i < n - 1; i++) { if (s.charAt(i) == s.charAt(i + 1)) { dp[i][i + 1] = true; maxLen = 2; start = i; } } // 检查长度>2的子 for (int len = 3; len <= n; len++) { for (int i = 0; i <= n - len; i++) { int j = i + len - 1; // 状态转移方程 if (s.charAt(i) == s.charAt(j) && dp[i + 1][j - 1]) { dp[i][j] = true; if (len > maxLen) { maxLen = len; start = i; } } } } return s.substring(start, start + maxLen); } } ``` **动态规划要点**: 1. 状态定义:$dp[i][j]$ 表示子 $s[i..j]$ 是否为回 2. 状态转移: $$ dp[i][j] = \begin{cases} \text{true} & \text{若 } s[i]=s[j] \text{ 且 } dp[i+1][j-1]=\text{true} \\ \text{false} & \text{否则} \end{cases} $$ 3. 边界条件: - 单字符:$dp[i][i] = \text{true}$ - 双字符:$dp[i][i+1] = (s[i] == s[i+1])$ --- ### 算法对比 | **算法** | 时间复杂度 | 空间复杂度 | 适用场景 | |------------------|------------|------------|-------------------| | 中心扩展法 | $O(n^2)$ | $O(1)$ | 一般情况(推荐) | | 动态规划 | $O(n^2)$ | $O(n^2)$ | 需记录所有子信息| | Manacher算法 | $O(n)$ | $O(n)$ | 超大数据量 | > 注:Manacher算法能优化到 $O(n)$,但实现较复杂,中心扩展法在多数场景已足够高效[^1][^2][^3]。 --- ### 要点总结 1. **边界处理**:空字符和单字符直接返回 2. **奇偶处理**:中心扩展需同时处理 `(i,i)` 和 `(i,i+1)` 3. **子截取**:`substring(start, end+1)` 包含结束索引 4. **提前终止**:当剩余长度不足当前最大长度时可提前结束循环 如果字符长度极大($n > 10^5$),建议使用 Manacher 算法,否则中心扩展是最佳选择。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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