后缀数组模板(SPOJ - DISUBSTR)

这篇博客探讨了SPOJ中的DISUBSTR问题,重点在于介绍后缀数组在解决独特子串问题上的应用,尽管目前仅作为模板使用,尚未完全理解其内部工作机制。

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

是真的只是模板了,暂时没办法完全理解代码实现。

Distinct Substrings

#include<cstdio>
#include<iostream>
#include<algorithm>
#include<cstring>
#define LL long long
using namespace std;
const int maxn = 1e5;

char str[maxn + 5], s[maxn + 5];
int n, m, rk[maxn + 5], tp[maxn + 5], tax[maxn + 5], sa[maxn + 5], height[maxn + 5];
//rk为第i个后缀的排名,sa为排名为i的后缀,tax用于sort辅助排序,tp为rk的辅助数组,记录第二关键字的排名为i的后缀,height为lcp
void Sort(){//更新sa
	for(int i = 0; i <= m; i++) tax[i] = 0;
	for(int i = 1; i <= n; i++) tax[rk[tp[i]]] ++;
	for(int i = 1; i <= m; i++) tax[i] += tax[i - 1];
	for(int i = n; i >= 1; i--) sa[tax[rk[tp[i]]]--] = tp[i];
}

bool cmp(int f[], int x, int y, int w){//根据第一关键字和第二关键字比较
	return f[x] == f[y] && f[x + w] == f[y + w];
}

void Suffix(){
	//sa
	for(int i = 1; i <= n; i++) rk[i] = s[i], tp[i] = i;
	m = 127;//字符集
	Sort();
	for(int w = 1, p = 1, i; p < n; w <<= 1, m = p){//倍增更新rk
		//w为当前比较长度,m为离散rk后排名种类
		for(p = 0, i = n - w + 1; i <= n; i++){
			tp[++p] = i;//将长度越界的第二关键字设为0
		}
		for(int i = 1; i <= n; i++){
			if(sa[i] > w) tp[++p] = sa[i] - w;
		}
		Sort();//更新sa
		swap(rk, tp);//用tp储存上一轮rk
		rk[sa[1]] = p = 1;
		for(int i = 2; i <= n; i++) rk[sa[i]] = cmp(tp, sa[i], sa[i - 1], w) ? p : ++p;
	}
	//height
	int j, k = 0;
	for(int i = 1 ; i <= n; i++){
		if(k) k--;
		j = sa[rk[i] - 1];
		while(s[i + k] == s[j + k]) k++;
		height[rk[i]] = k;
	}
}
int main(){
	int t; scanf("%d", &t);
	while(t--){
		LL ans = 0;
		scanf("%s", str);
		n = strlen(str);
		for(int i = 0; i < n; i++) s[i + 1] = str[i];//从1开始
		Suffix();//计算sa和height
		for(int i = 1; i <= n; i++){
			ans += 1LL * n + 1LL - sa[i] - height[i];
		}
		printf("%d\n", ans);
	}
	return 0;
}

 

内容概要:本文档详细介绍了如何在MATLAB环境下实现CNN-GRU(卷积门控循环单元)混合模型的多输入单输出回归预测。项目旨在通过融合CNN的局部特征提取能力和GRU的时序依赖捕捉能力,解决传统序列模型在处理非线性、高维、多输入特征数据时的局限性。文档涵盖了项目背景、目标、挑战及其解决方案,强调了模型的轻量化、高效性和可视化全流程追踪等特点。此外,还提供了具体的应用领域,如智能电网负荷预测、金融时间序列建模等,并附有详细的代码示例,包括数据加载与预处理、网络结构定义、训练选项设置、模型训练与预测以及结果可视化等步骤。; 适合人群:对深度学习有一定了解,特别是对时间序列预测感兴趣的科研人员或工程师。; 使用场景及目标:①需要处理多输入单输出的非线性回归预测任务;②希望在MATLAB平台上快速实现并优化深度学习模型;③寻求一种高效、轻量且具有良好泛化能力的预测模型应用于实际场景中,如智能电网、金融分析、交通流量预测等领域。; 阅读建议:由于文档内容涉及较多的技术细节和代码实现,建议读者先熟悉CNN和GRU的基本概念,同时掌握MATLAB的基础操作。在阅读过程中,可以结合提供的代码示例进行实践操作,以便更好地理解和掌握CNN-GRU混合模型的构建与应用。
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