字典树专题训练(老师文档)

本文介绍了一种利用字典树(Trie)的数据结构来高效解决单词前缀统计的问题。通过构建字典树并插入单词,可以快速查询以特定字符串作为前缀的单词数量。文章提供了详细的字典树实现代码,包括插入和查询操作。

统计难题

Time Limit: 4000/2000 MS (Java/Others)    Memory Limit: 131070/65535 K (Java/Others)
Total Submission(s): 49668    Accepted Submission(s): 17542


Problem Description
Ignatius最近遇到一个难题,老师交给他很多单词(只有小写字母组成,不会有重复的单词出现),现在老师要他统计出以某个字符串为前缀的单词数量(单词本身也是自己的前缀).
 

Input
输入数据的第一部分是一张单词表,每行一个单词,单词的长度不超过10,它们代表的是老师交给Ignatius统计的单词,一个空行代表单词表的结束.第二部分是一连串的提问,每行一个提问,每个提问都是一个字符串.

注意:本题只有一组测试数据,处理到文件结束.
 

Output
对于每个提问,给出以该字符串为前缀的单词的数量.
 


////////////////////////////////////////

这是一道比较经典的字典树的例题(模板题,he),以下是字典树模板(并非本题)

 #include <cstdio>
#include <cstring>
using namespace std;
const int N=1000005;
int trie[N][26],cnt[N],flag[N],num;
void insert(char *s,int id)
{
    int u=0,i=0,k;
    while(s[i])
    {
        k=s[i++]-'a';
        if(trie[u][k]==0)
            trie[u][k]=num++;
        u=trie[u][k];
        if(flag[u]!=id)
            cnt[u]++;
        flag[u]=id;
    }
}
int search(char *s)
{
    int u=0,i=0,k;
    while(s[i])
    {
        k=s[i++]-'a';
        if(!trie[u][k])
            return 0;
        u=trie[u][k];
    }
    return cnt[u];
}
int main()
{
    num=1;
    int n;
    char s[30];
    scanf("%d", &n);
    for(int i=1;i<=n;i++)
    {
        scanf("%s", s);
        for(int j=0;s[j];j++)
            insert(s+j,i);
    }
    scanf("%d", &n);
    while(n--)
    {
        scanf("%s",s);
        printf("%d\n",search(s));
    }
    return 0;


////////////////////////////////////////////////////////////////////

本题代码

 #include<cstdio>
#include<cstring>
using namespace std;

const int maxn=1000005;
int ch[maxn][26],val[maxn],tot;

void init()
{
    memset(ch[0],0,sizeof(ch[0]));
    tot=1;//初始时只有一个根节点 
}

//插入字符串s,附加信息为v 
void insert(char *s)
{
    int u=0,n=strlen(s);
    for(int i=0;i<n;i++)
    {
        int c=s[i]-'a';
        if(!ch[u][c])//结点不存在 
        {
            memset(ch[tot],0,sizeof(ch[tot]));
            val[tot]=0;//中间结点的附加信息为0 
            ch[u][c]=tot++;//新建结点 
        }
        u=ch[u][c];//往下走 
        val[u]++;
    }
}

int query(char *s)
{
    int u=0,c,n=strlen(s);
    for(int i=0;i<n;i++)
    {
        c=s[i]-'a';
        if(!ch[u][c]) return 0;
        if(i+1==n) break;
        u=ch[u][c];
    }
    return val[ch[u][c]];
}

int main()
{
    char s[15];
    init();
    while(gets(s)&&s[0]!='\0') insert(s);
    while(gets(s)) printf("%d\n",query(s));
    return 0;
}



内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
内容概要:本文系统阐述了企业新闻发稿在生成式引擎优化(GEO)时代下的全渠道策略与效果评估体系,涵盖当前企业传播面临的预算、资源、内容与效果评估四大挑战,并深入分析2025年新闻发稿行业五大趋势,包括AI驱动的智能化转型、精准化传播、首发内容价值提升、内容资产化及数据可视化。文章重点解析央媒、地方官媒、综合门户和自媒体四类媒体资源的特性、传播优势与发稿策略,提出基于内容适配性、时间节奏、话题设计的策略制定方法,并构建涵盖品牌价值、销售转化与GEO优化的多维评估框架。此外,结合“传声港”工具实操指南,提供AI智能投放、效果监测、自媒体管理与舆情应对的全流程解决方案,并针对科技、消费、B2B、区域品牌四大行业推出定制化发稿方案。; 适合人群:企业市场/公关负责人、品牌传播管理者、数字营销从业者及中小企业决策者,具备一定媒体传播经验并希望提升发稿效率与ROI的专业人士。; 使用场景及目标:①制定科学的新闻发稿策略,实现从“流量思维”向“价值思维”转型;②构建央媒定调、门户扩散、自媒体互动的立体化传播矩阵;③利用AI工具实现精准投放与GEO优化,提升品牌在AI搜索中的权威性与可见性;④通过数据驱动评估体系量化品牌影响力与销售转化效果。; 阅读建议:建议结合文中提供的实操清单、案例分析与工具指南进行系统学习,重点关注媒体适配性策略与GEO评估指标,在实际发稿中分阶段试点“AI+全渠道”组合策略,并定期复盘优化,以实现品牌传播的长期复利效应。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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