HDU 4300 Contest 1

本文详细介绍了扩展KMP算法的实现细节,通过实例演示了如何使用该算法进行字符串匹配,并提供了完整的C++代码示例。文章特别强调了在输出过程中需要注意的一些细节。

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

扩展KMP很容易就明白过来了。

注意的是,后面明文的长度要少于密文,而且当前K+Extend[k]>=L

输出时犯了很多次二,后来人注意吧。

#include <cstdio>
#include <cstring>
#include <string.h>
#include <iostream>
using namespace std;
char t[30];
char table[30];
char code[100005];
char chan[100005];
int next[100005];
int extand[100005];
void Next(const char *T){  
     int len=strlen(T),a=0;  
     next[0]=len;  
     while(a<len-1 && T[a]==T[a+1]) a++;  
     next[1]=a;  
     a=1;  
     for(int k=2;k<len;k++){  
         int p=a+next[a]-1,L=next[k-a];  
         if( (k-1)+L >= p){  
             int j = (p-k+1)>0 ? (p-k+1) : 0;  
             while(k+j<len && T[k+j]==T[j]) j++;  
             next[k]=j;  
             a=k;   
         }   
         else  
             next[k]=L;   
     }   
}

void GetExtand(const char *S,const char *T){   
     int slen=strlen(S),tlen=strlen(T),a=0;   
     int MinLen = slen < tlen ? slen : tlen;  
     while(a<MinLen && S[a]==T[a]) a++;  
     extand[0]=a;  
     a=0;  
     for(int k=1;k<slen;k++){  
         int p=a+extand[a]-1, L=next[k-a];  
         if( (k-1)+L >= p){  
             int j= (p-k+1) > 0 ? (p-k+1) : 0;  
             while(k+j<slen && j<tlen && S[k+j]==T[j]) j++;  
             extand[k]=j;  
             a=k;   
         }  
         else   
             extand[k]=L;
     }   
}
int main(){
 int T,k;
 scanf("%d",&T);
 while(T--){
  cin>>t>>code;
  for(int i=0;i<26;i++){
   table[t[i]-'a']=i+'a';
  }
  int L=strlen(code);
  for(int i=0;i<=L;i++){
   chan[i]=table[code[i]-'a'];
  }
  Next(chan);
  GetExtand(code,chan);
  for(k=0;k<L;k++){
  	if(k+extand[k]>=L&&extand[k]<=k)
  	break;
  }
  for(int i=0;i<k;i++)
  cout<<code[i];
  for(int i=0;i<k;i++)
  cout<<table[code[i]-'a'];
  cout<<endl;
 }
 return 0;
}

 

转载于:https://www.cnblogs.com/jie-dcai/p/4044735.html

内容概要:本文针对国内加密货币市场预测研究较少的现状,采用BP神经网络构建了CCi30指数预测模型。研究选取2018年3月1日至2019年3月26日共391天的数据作为样本,通过“试凑法”确定最优隐结点数目,建立三层BP神经网络模型对CCi30指数收盘价进行预测。论文详细介绍了数据预处理、模型构建、训练及评估过程,包括数据归一化、特征工程、模型架构设计(如输入层、隐藏层、输出层)、模型编译与训练、模型评估(如RMSE、MAE计算)以及结果可视化。研究表明,该模型在短期内能较准确地预测指数变化趋势。此外,文章还讨论了隐层节点数的优化方法及其对预测性能的影响,并提出了若干改进建议,如引入更多技术指标、优化模型架构、尝试其他时序模型等。 适合人群:对加密货币市场预测感兴趣的研究人员、投资者及具备一定编程基础的数据分析师。 使用场景及目标:①为加密货币市场投资者提供一种新的预测工具和方法;②帮助研究人员理解BP神经网络在时间序列预测中的应用;③为后续研究提供改进方向,如数据增强、模型优化、特征工程等。 其他说明:尽管该模型在短期内表现出良好的预测性能,但仍存在一定局限性,如样本量较小、未考虑外部因素影响等。因此,在实际应用中需谨慎对待模型预测结果,并结合其他分析工具共同决策。
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