[差分][栈]JZOJ 4209 已经没有什么好怕的了awa

本文探讨了一道算法题目,旨在计算给定括号序列中经过每个位置的合法子串数量。通过使用差分数组和栈来追踪括号对应关系,实现了O(n)时间复杂度的高效解决方案。

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

Description
小Y 最近开始学习算法姿势,但是因为小R 非常BB,给了她很多B6 题,所以她觉得自己已经没有什么前途了。于是小R 给了她一些稍微简单的题,让她觉得已经没有什么好害怕的了,其中一道是这样的:
给定一个长度为n 只包含左括号和右括号的序列,现在小R 想要知道经过每一个位置的合法子串有多少个。
空串是一个合法的串,如果A 和B 都是合法的串,那么(A) 和AB 都是合法的串。
 
Input
第一行输入一个正整数T 表示数据组数。接下来T 行每行一个字符串。
Output
对于每组数据,输出一个整数表示答案,令ansi 为经过第i 个位置的子串个数,那么你需要输出(注意是先求余再求和)
 
Sample Input
1
()()
Sample Output
20
样例解释:
ans 数组为{2,2,2,2},所以输出20。
 
Data Constraint
对于10% 的数据,n<=100
对于30% 的数据,n <= 1000
对于60% 的数据,n <= 5 <= 10^4
对于100% 的数据,n <= 10^6,1 <= T<= 10

分析

一眼差分

然后比赛的时候居然脑子一抽想不用栈处理括号序列,然后就崩了

其实我们需要记录左括号对应的右括号和右括号对应的左括号即可

然后O(n)扫一遍打上差分标记

没了

 

#include <iostream>
#include <cstdio>
#include <cstring>
using namespace std;
typedef long long ll;
const int N=1e6+10;
const ll P=1e9+7;
char c[N];
ll a[N],b[N],next[N],back[N],ans[N];
int stack[N],top;
int T,n;

int main() {
    for (scanf("%d",&T);T;T--) {
        scanf("%s",c+1);n=strlen(c+1);top=0;
        for (int i=0;i<N;i++) a[i]=b[i]=next[i]=back[i]=ans[i]=0;
        for (int i=1;i<=n;i++)
            if (c[i]=='(') stack[++top]=i;
            else
            if (top) {
                back[i+1]=stack[top];next[stack[top--]]=i+1;
            }
        for (int i=n+1;i;i--)
            a[back[i]]+=a[i]+1;
        for (int i=1;i<=n;i++)
            b[next[i]]+=b[i]-1;
        ll lans=0;
        for (int i=1;i<=n;i++) ans[i]=a[i]+b[i],ans[i]+=ans[i-1],lans+=1ll*i*ans[i]%P;
        printf("%lld\n",lans);
    }
}
View Code

 

转载于:https://www.cnblogs.com/mastervan/p/10300843.html

### AwA、CUB、SUN 和 PU 的含义解释 #### AwA (Animals with Attributes) AwA 是一种广泛用于零样本学习研究的数据集。该数据集包含了来自50种不同动物类别的图像以及每种类别的一组属性标签。这些属性由人类标注者提供,旨在帮助机器理解并区分不同的动物类别[^1]。 ```python # 示例代码展示如何加载 AwA 数据集中的部分元数据 import pandas as pd awa_metadata = pd.read_csv('path_to_awa_dataset/predicates.txt', sep='\t') print(awa_metadata.head()) ``` #### CUB (Caltech-UCSD Birds 200) CUB 是一个专注于鸟类分类的任务型数据集。它提供了超过11,788张图片覆盖了200个详细的鸟种类,并附带了丰富的辅助信息如边界框位置、部件注解和文本描述等。这使得研究人员可以探索更复杂的视觉识别挑战。 #### SUN (Scene UNderstanding) SUN 数据库是一个大规模场景解析数据库,其目的是为了促进对复杂真实世界环境的理解工作。此集合内含约89,900幅图象跨越909个独特场景类型;另外还收集到了大量有关物体实例的信息,从而支持多模态分析任务的研究和发展。 #### PU (Positive and Unlabeled Learning) PU 学习指的是仅利用正样本与未标记样本来训练二分类器的一种半监督方法论框架下的特定情形。在这种设定下,负样本完全缺失或不可靠,因此算法需通过挖掘潜在分布规律来实现有效的模式辨识功能。
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