BZOJ4566: [Haoi2016]找相同字符(后缀自动机)

本文深入探讨了字符串匹配算法(SAM)的实现细节,通过实战案例解析如何利用SAM进行高效字符串搜索与匹配,包括节点构造、状态转移及树形DP等关键步骤。

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

题意

题目链接

Sol

直接在SAM上乱搞

枚举前缀,用SAM统计可以匹配的后缀,具体在匹配的时候维护和当前节点能匹配的最大值

然后再把parent树上的点的贡献也统计上,这部分可以爆跳parent树(假的,因为这题数据随机),也可以直接树形dp一波记下每个点被统计的次数

#include<bits/stdc++.h>
#define LL long long 
using namespace std;
const int MAXN = 4e5 + 10;
int N1, N2;
char a[MAXN], b[MAXN];
// struct SAM {
    int fa[MAXN], ch[MAXN][26], len[MAXN], siz[MAXN], tot, las, root, f[MAXN], g[MAXN];
    vector<int> v[MAXN];
    // SAM() {
        // root = las = tot = 1;
    // }
    void insert(int x) {
        int now = ++tot, pre = las; las = now; siz[now] = 1;
        len[now] = len[pre] + 1;
        for(; pre && !ch[pre][x]; pre = fa[pre]) ch[pre][x] = now;
        if(!pre) fa[now] = root;
        else {
            int q = ch[pre][x];
            if(len[pre] + 1 == len[q]) fa[now] = q;
            else {
                int ns = ++tot; fa[ns] = fa[q]; len[ns] = len[pre] + 1;
                memcpy(ch[ns], ch[q], sizeof(ch[q]));
                fa[q] = fa[now] = ns;
                for(; pre && ch[pre][x] == q; pre = fa[pre]) ch[pre][x] = ns;
            }
        }
    }
    void Build() {
        for(int i = 2; i <= tot; i++) v[fa[i]].push_back(i);
    }
    void dfs(int x, int opt) {
        for(int i = 0; i < v[x].size(); i++) {
            int to = v[x][i];
            dfs(to, opt); 
            if(opt == 1) siz[x] += siz[to]; 
            if(opt == 2) f[x] += f[to] + g[to];
        }
    }
// }sam;
int main() {
    root = las = tot = 1;
    scanf("%s%s", a + 1, b + 1);
    N1 = strlen(a + 1); N2 = strlen(b + 1);
    for(int i = 1; i <= N1; i++) insert(a[i] - 'a');
    Build(); dfs(root, 1);
    int now = root, cur = 0; LL ans = 0;
    for(int i = 1; i <= N2; i++) {
        int x = b[i] - 'a';
        if(ch[now][x]) now = ch[now][x], cur++;
        else {
            while(!ch[now][x] && now) now = fa[now];
            if(!now) now = 1, cur = 0;
            else cur = len[now] + 1, now = ch[now][x];
        }
        ans += 1ll * (cur - len[fa[now]]) * siz[now];
        g[now]++;
        //int tmp = fa[now];
        //while(tmp != 1) ans += (len[tmp] - len[fa[tmp]]) * siz[tmp], tmp = fa[tmp];
    }
    dfs(root, 2);
    for(int i = 1; i <= tot; i++) ans += 1ll * (len[i] - len[fa[i]]) * siz[i] * f[i];
    cout << ans;
    return 0;
}
/*
aa
aa

acb
abc

ababababba
abbababab
*/
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