P3041 [USACO12JAN]视频游戏的连击Video Game Combos

本文深入探讨了在AC自动机上应用DP算法解决特定问题的思路与实现。通过建立AC自动机并进行优化,利用DP算法在节点间进行状态转移,解决了模式匹配中的最大值问题。代码示例清晰展示了从插入字符串、构建AC自动机到查询最大值的全过程。

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

思路

简单的AC自动机上dp,暴力跳fail向子节点直接转移即可

代码

#include <cstdio>
#include <algorithm>
#include <cstring>
#include <queue>
using namespace std;
int trie[400][3],Nodecnt,mark[400],fail[400],dp[1001][400],root,k,n;
char t[400];
void insert(char *s,int len){
    int o=root;
    for(int i=1;i<=len;i++){
        if(!trie[o][s[i]-'A'])
            trie[o][s[i]-'A']=++Nodecnt;
        o=trie[o][s[i]-'A'];
    }
    mark[o]++;
}
void build_AC(void){
    queue<int> q;
    for(int i=0;i<3;i++){
        if(trie[root][i]){
            fail[trie[root][i]]=root;
            q.push(trie[root][i]);
        }
    }
    while(!q.empty()){
        int x=q.front();
        q.pop();
        for(int i=0;i<3;i++){
            if(trie[x][i]){
                fail[trie[x][i]]=trie[fail[x]][i];
                q.push(trie[x][i]);
            }
            else{
                trie[x][i]=trie[fail[x]][i];
            }
        }
    }
}
int query(void){
    int ans=0;
    int o=root;
    for(int i=0;i<=k;i++)
        for(int j=0;j<=Nodecnt;j++)
            dp[i][j]=-0x3f3f3f3f;
    dp[0][o]=0;
    for(int i=0;i<k;i++)
        for(int j=0;j<=Nodecnt;j++){
            for(int k=0;k<3;k++){
                int p=trie[j][k],mid=0;
                for(;p;p=fail[p])
                    mid+=mark[p];
                dp[i+1][trie[j][k]]=max(dp[i+1][trie[j][k]],dp[i][j]+mid);
                ans=max(ans,dp[i+1][trie[j][k]]);
            }
        }
    return ans;
}
int main(){
    scanf("%d %d",&n,&k);
    for(int i=1;i<=n;i++){
        scanf("%s",t+1);
        int lent=strlen(t+1);
        insert(t,lent);
    }
    build_AC();
    printf("%d\n",query());
    return 0;
}

转载于:https://www.cnblogs.com/dreagonm/p/10454819.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