[BZOJ5073] [Lydsy1710月赛]小A的咒语 后缀数组+dp+贪心

本文详细解析了BZOJ5073题目,采用动态规划和字符串匹配算法,通过计算最长公共前缀优化状态转移,实现高效求解。文章提供了完整的代码实现,包括后缀数组构造、LCP数组计算等关键步骤。

题目链接

首先这种题一看就是dp。

\(dp[i][j]\)表示\(A\)序列中到\(i\)位之前,取了\(j\)段,在\(B\)中的最长的长度。

转移也比较简单

\[ dp[i][j] \to dp[i+1][j] \quad \text{不选} \\ dp[i][j] \to dp[i+k][j+1] \quad a[i+1..i+k]=b[dp[i][j]..dp[i][j]+k] \]

但是这样做的复杂度肯定不行。

发现有一个贪心的思路,因为既然我这里已经占用了一次次数了,那么肯定要尽量地多在B中匹配才好。

所以这里的\(k\)可以直接取到\(LCP(a[i+1],b[dp[i][j]+1])\)。中间的点可以直接跳过,不用转移过去。

#include<bits/stdc++.h>
using namespace std;
#define fec(i,x,y) (int i=head[x],y=g[i].to;i;i=g[i].ne,y=g[i].to)
#define dbg(...) fprintf(stderr,__VA_ARGS__)
#define File(x) freopen(#x".in","r",stdin),freopen(#x".out","w",stdout)
#define fi first
#define se second
#define pb push_back
template<typename I>inline void read(I&x){int f=0,c;while(!isdigit(c=getchar()))c=='-'?f=1:0;x=c&15;while(isdigit(c=getchar()))x=(x<<1)+(x<<3)+(c&15);f?x=-x:0;}
template<typename A,typename B>inline char SMAX(A&a,const B&b){return a<b?a=b,1:0;}
template<typename A,typename B>inline char SMIN(A&a,const B&b){return a>b?a=b,1:0;}
typedef long long ll;typedef unsigned long long ull;typedef std::pair<int,int>pii;

const int N=2e5+7,M=100+7,LOG=20;
int T,n,m,p,ans;char a[N],b[N],s[N];
int dp[N][M];

int sa[N],rk[N],sec[N],tax[N],h[N];
inline void Make_SA(char*s,int n){
    int m=26,*rnk=rk,*sc=sec;
    for(int i=1;i<=m;++i)tax[i]=0;
    for(int i=1;i<=n;++i)tax[rnk[i]=s[i]]++;
    for(int i=1;i<=m;++i)tax[i]+=tax[i-1];
    for(int i=n;i;--i)sa[tax[rnk[i]]--]=i;
    for(int k=1;k<=n;k<<=1){
        int p=0;
        for(int i=n-k+1;i<=n;++i)sc[++p]=i;
        for(int i=1;i<=n;++i)if(sa[i]>k)sc[++p]=sa[i]-k;
        for(int i=1;i<=m;++i)tax[i]=0;
        for(int i=1;i<=n;++i)tax[rnk[sc[i]]]++;
        for(int i=1;i<=m;++i)tax[i]+=tax[i-1];
        for(int i=n;i;--i)sa[tax[rnk[sc[i]]]--]=sc[i];
        swap(rnk,sc);p=rnk[sa[1]]=1;
        for(int i=2;i<=n;++i)rnk[sa[i]]=(sc[sa[i]]==sc[sa[i-1]]&&sc[sa[i]+k]==sc[sa[i-1]+k]?p:++p);
        if(p>=n)break;else m=p;
    }
    for(int i=1;i<=n;++i)rk[sa[i]]=i;
}
inline void Make_h(char*s,int n){
    for(int i=1,f=0;i<=n;++i){
        if(f)f--;int j=sa[rk[i]-1];
        while(i+f<=n&&j+f<=n&&s[i+f]==s[j+f])++f;
        h[rk[i]]=f;
    }
}

int f[N][LOG];
inline void RMQ_init(int n){
    for(int i=1;i<=n;++i)f[i][0]=h[i];
    for(int j=1;(1<<j)<=n;++j)
        for(int i=1;i+(1<<j)-1<=n;++i)
            f[i][j]=min(f[i][j-1],f[i+(1<<(j-1))][j-1]);
}
inline int Min(int l,int r){int k=__lg(r-l+1);return min(f[l][k],f[r-(1<<k)+1][k]);}
inline int LCP(int x,int y,int n=::n+m){if(x==y)return n-x+1;x=rk[x],y=rk[y];if(x>y)swap(x,y);return Min(x+1,y);}

inline void DP(){
    for(int i=0,k;i<n;++i)
        for(int j=0;j<=p;++j)
            SMAX(dp[i+1][j],dp[i][j]),
            k=min(n-i,LCP(i+1,dp[i][j]+n+1)),
            j<p&&SMAX(dp[i+k][j+1],dp[i][j]+k);
}

inline void CSH(){
    memset(dp,0,sizeof(dp));
    ans=0;
}
int main(){
    #ifdef hzhkk
    freopen("hkk.in","r",stdin);
    #endif
    read(T);
    while(T--){
        CSH();
        read(n),read(m),read(p);
        scanf("%s%s",a+1,b+1);
        for(int i=1;i<=n;++i)s[i]=a[i]-'a'+1;
        for(int i=1;i<=m;++i)s[i+n]=b[i]-'a'+1;
        Make_SA(s,n+m);Make_h(s,n+m);
        RMQ_init(n+m);
        DP();
        for(int i=1;i<=p;++i)SMAX(ans,dp[n][i]);
        if(ans>=m)printf("YES\n");
        else printf("NO\n");
    }
}

转载于:https://www.cnblogs.com/hankeke/p/BZOJ5073.html

基于TROPOMI高光谱遥感仪器获取的大气成分观测资料,本研究聚焦于大气污染物一氧化氮(NO₂)的空间分布与浓度定量反演问题。NO₂作为影响空气质量的关键指标,其精确监测对环境保护与大气科学研究具有显著价值。当前,利用卫星遥感数据结合先进算法实现NO₂浓度的高精度反演已成为该领域的重要研究方向。 本研究构建了一套以深度学习为核心的技术框架,整合了来自TROPOMI仪器的光谱辐射信息、观测几何参数以及辅助气象数据,形成多维度特征数据集。该数据集充分融合了不同来源的观测信息,为深入解析大气中NO₂的时空变化规律提供了数据基础,有助于提升反演模型的准确性与环境预测的可靠性。 在模型架构方面,项目设计了一种多分支神经网络,用于分别处理光谱特征与气象特征等多模态数据。各分支通过独立学习提取代表性特征,并在深层网络中进行特征融合,从而综合利用不同数据的互补信息,显著提高了NO₂浓度反演的整体精度。这种多源信息融合策略有效增强了模型对复杂大气环境的表征能力。 研究过程涵盖了系统的数据处理流程。前期预处理包括辐射定标、噪声抑制及数据标准化等步骤,以保障输入特征的质量与一致性;后期处理则涉及模型输出的物理量转换与结果验证,确保反演结果符合实际大气浓度范围,提升数据的实用价值。 此外,本研究进一步对不同功能区域(如城市建成区、工业带、郊区及自然背景区)的NO₂浓度分布进行了对比分析,揭示了人类活动与污染物空间格局的关联性。相关结论可为区域环境规划、污染管控政策的制定提供科学依据,助力大气环境治理与公共健康保护。 综上所述,本研究通过融合TROPOMI高光谱数据与多模态特征深度学习技术,发展了一套高效、准确的大气NO₂浓度遥感反演方法,不仅提升了卫星大气监测的技术水平,也为环境管理与决策支持提供了重要的技术工具。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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