2016西电校赛网络赛 Problem C 寻找万神

本博客介绍了一种算法,用于计算搜索结果中特定关键词('万神')的出现次数,适用于理解文章内容并进行关键词分析。

Problem C

问题

某人在教育学弟时说:“电院的万神,比你们高的不知道哪里去了,我和他
谈笑风生!”但是学弟 too young,too simple,根本不认识万神,只好自己到百
度上搜。
为了衡量搜索结果和万神的相关程度,学弟希望知道一篇文章中“万神”二
字出现的次数。你能帮助他吗?

输入格式

输入包含多组数据,请处理到文件结束。
每组数据,第一行包含整数 n,表示这组数据的行数。之后 n 行表示学弟搜
到的文章。为了避免中文编码问题,文章用拼音给出。
保证文章只包含大写英文字母(英文)、小写英文字母(拼音)、句号 “.” 、
逗号”,” 。
保证 1 ≤ n ≤ 100,输入文件总长度至多是 5MB 。

输出格式

对于每组数据,输出文章中“万神”二字(拼音为 “wanshen”,不含引号)
的出现次数。

输入样例

5
wanshenshixidianACM
dediyidashen.erqiew
anshendeDOTAyedadeh
enhao.womendouhenOR
Zwanshen.
1
WANSHEN.

输出样例

3
0

样例解释

对于第一组样例,注意“万神”跨越了文章的第 2 行和第 3 行。
对于第二组样例,我们不认为英文字母序列 “WANSHEN” 表示万神。

思路

KMP模板,,最长公共前后缀

/*************************************************************************
        > File Name: c.cpp
      > Author: dulun
      > Mail: dulun@xiyoulinux.org
      > Created Time: 2016年04月20日 星期三 13时04分24秒
 ************************************************************************/

#include<iostream>
#include<stdio.h>
#include<cstring>
#include<cstdlib>
#include<algorithm>
#define LL long long
using namespace std;

const int N = 50086;
int nxt[10];
char a[101][N];
char p[10] = "wanshen";
int n;
int l = strlen(p);
void init()
{
    int k = 0;
    nxt[0] = 0;
    for(int i = 1; i < l; i++)
    {
        while(k && p[i] != p[k]) k = nxt[k-1];
        if(p[i] == p[k]) k++;
        nxt[i] = k;
    }
}

int kmp()
{
    int ans = 0;
    int k = 0;
    for(int i = 0; i < n; i++)
    {
        int len = strlen(a[i]);
        for(int j = 0; j < len; j++)
        {
            while(k && a[i][j] != p[k]) k = nxt[k-1];
            if(p[k] == a[i][j]) k++;
            if(k == l)
            {
                ans++;
                k = 0;
            }
        }
    }
    return ans;
}

int main()
{
    init();
    while(cin>>n)
    {
        for(int i = 0; i < n; i++)
        {
            scanf("%s", a[i]);
        }
        printf("%d\n", kmp());
    }
    return 0;
}
内容概要:本文介绍了基于条件生成对抗网络(Conditional Generative Adversarial Networks, CGAN)的可再生能源日前场景生成方法的复现研究,旨在通过Python代码实现对风电、光伏等可再生能源出力的不确定性进行高效建模与多场景生成。该方法利用历史数据作为条件输入,训练生成器与判别器网络,从而生成符合实际统计特性的高精度出力场景集,有效支撑电力系统调度、规划与风险评估等应用。文中详细阐述了CGAN的网络结构设计、损失函数构建、训练流程优化及生成场景的质量评价指标,并提供了完整的代码实现与案例分析,验证了其在捕捉时空相关性与概率分布方面的优越性。; 适合人群:具备一定深度学习与电力系统基础知识,从事新能源预测、电力系统优化调度、场景生成等相关方向的科研人员及研究生。; 使用场景及目标:①用于可再生能源出力不确定性建模,生成满足日前调度需求的典型场景集;②支撑含高比例新能源的电力系统随机优化、鲁棒调度与风险评估研究;③为学术研究提供可复现的CGAN应用场景与代码参考。; 阅读建议:建议读者结合提供的Python代码逐模块学习,重点关注数据预处理、模型搭建与训练细节,通过调整超参数和输入数据进行实验对比,深入理解CGAN在电力系统场景生成中的实际应用价值。
内容概要:本文系统介绍了基于去噪概率扩散模型(DDPM)的光伏功率场景生成方法,并提供了完整的Python代码实现。该模型通过模拟扩散与去噪过程,从历史光伏出力数据中学习其复杂的时序特征与概率分布,进而生成高保真、多样化的光伏功率场景,能够有效刻画新能源出力的不确定性、波动性与时序相关性。文中强调该资源属于科研复现类内容,聚焦于模型原理剖析与代码实践,适用于推动新型电力系统中新能源建模与风险评估的研究进展。; 适合人群:具备一定Python编程能力与机器学习基础知识,从事新能源发电预测、电力系统规划、能源系统建模、不确定性分析等方向研究的研究生、科研人员及工程师;熟悉深度学习框架(如PyTorch)者更佳。; 使用场景及目标:①用于生成高质量的光伏功率时序场景,支撑含高比例可再生能源的电力系统随机优化调度、鲁棒规划与风险评估;②作为科研复现案例,深入理解DDPM在能源时间序列生成任务中的建模机制与训练策略;③可拓展应用于风电、负荷等其他不确定性能源变量的场景生成问题,具备良好的迁移性与研究价值。; 阅读建议:建议读者结合提供的代码与网盘资料,按照目录结构循序渐进地学习,重点掌握模型网络架构设计、前向扩散与反向去噪过程、损失函数构建及采样生成逻辑,鼓励在真实数据集上进行调试、训练与结果可视化,以深化对扩散模型内在机理的理解与应用能力。
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