A5(用状态机模型解决字符串问题

2024-02-26 18:08

本文主要是介绍A5(用状态机模型解决字符串问题,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

在这里插入图片描述
在这里插入图片描述
明明状态2是可以由状态4转移过来的(也就是说AAA5再遇到5的时候会变成AAA55,此时不得不转移这个非法状态了,那么如果改5为A的话,就会回到状态4,如果随便改一个A为5的话,就会回到状态2(AA555),可是为什么我加入这个状态2的转移入口的时候反而错了呢?!奇怪了奇怪了。

#include <iostream>
#include <cstring>
#include <algorithm>
using namespace std;
string s;
int t,n;
int dp[1000][5];
int minn(int a,int b,int c){return min(a, min(b,c));
}
int main(){cin>>t;while(t--){memset(dp,0x3f,sizeof dp);cin>>s;n=s.length();//cout<<"n="<<n<<endl;if(n<5){cout<<"0"<<endl;continue;}//入口for(int i=1;i<=4;i++)dp[0][i]=0;if(s[0]=='A')dp[0][0]=1;else dp[0][0]=0;for(int i=1;i<n;i++){if(s[i]=='A'){dp[i][0]=dp[i-1][0]+1;dp[i][1]=min(dp[i-1][1]+1,dp[i-1][0]);dp[i][2]=min(dp[i-1][2]+1,dp[i-1][1]);dp[i][3]=dp[i-1][3];//这2个状态是为了不脱节状态内的转移,上面3个是状态间的转移dp[i][4]=dp[i-1][4];}if(s[i]=='5'){dp[i][0]=dp[i-1][0];dp[i][1]=dp[i-1][1];dp[i][2]=dp[i-1][2];//这三个状态是为了不脱节状态内的转移,下面两个是状态间的转移//dp[i][2]=min(dp[i-1][2],dp[i-1][4]+1);dp[i][3]=min(dp[i-1][3]+1,dp[i-1][2]);dp[i][4]=min(dp[i-1][4]+1,dp[i-1][3]);}//cout<<"dp["<<i<<"][0 1 2]="<<dp[i][0]<<"--"<<dp[i][1]<<"--"<<dp[i][2]<<endl;//cout<<"dp["<<i<<"][3 4]="<<dp[i][3]<<"--"<<dp[i][4]<<endl;}//出口int min1=min(dp[n-1][4],dp[n-1][1]);int min2=min(dp[n-1][2],dp[n-1][3]);cout<<min(min1,min2)<<endl;}
}

上面是加注释版的代码
下面是删减版代码(就是想看看code能短到什么长度hhh

#include <bits/stdc++.h>
using namespace std;
string s;
int t,n;
int dp[1000][5];
int main(){cin>>t;while(t--){memset(dp,0x3f,sizeof dp);cin>>s;n=s.length();for(int i=1;i<=4;i++)dp[0][i]=0;if(s[0]=='A')dp[0][0]=1;else dp[0][0]=0;for(int i=1;i<n;i++){if(s[i]=='A'){dp[i][0]=dp[i-1][0]+1;dp[i][1]=min(dp[i-1][1]+1,dp[i-1][0]);dp[i][2]=min(dp[i-1][2]+1,dp[i-1][1]);dp[i][3]=dp[i-1][3];dp[i][4]=dp[i-1][4];}if(s[i]=='5'){dp[i][0]=dp[i-1][0];dp[i][1]=dp[i-1][1];dp[i][2]=dp[i-1][2];dp[i][3]=min(dp[i-1][3]+1,dp[i-1][2]);dp[i][4]=min(dp[i-1][4]+1,dp[i-1][3]);}}int min1=min(dp[n-1][4],dp[n-1][1]);int min2=min(dp[n-1][2],dp[n-1][3]);cout<<min(min1,min2)<<endl;}
}

这篇关于A5(用状态机模型解决字符串问题的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/749708

相关文章

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

好题——hdu2522(小数问题:求1/n的第一个循环节)

好喜欢这题,第一次做小数问题,一开始真心没思路,然后参考了网上的一些资料。 知识点***********************************无限不循环小数即无理数,不能写作两整数之比*****************************(一开始没想到,小学没学好) 此题1/n肯定是一个有限循环小数,了解这些后就能做此题了。 按照除法的机制,用一个函数表示出来就可以了,代码如下

hdu1043(八数码问题,广搜 + hash(实现状态压缩) )

利用康拓展开将一个排列映射成一个自然数,然后就变成了普通的广搜题。 #include<iostream>#include<algorithm>#include<string>#include<stack>#include<queue>#include<map>#include<stdio.h>#include<stdlib.h>#include<ctype.h>#inclu

Andrej Karpathy最新采访:认知核心模型10亿参数就够了,AI会打破教育不公的僵局

夕小瑶科技说 原创  作者 | 海野 AI圈子的红人,AI大神Andrej Karpathy,曾是OpenAI联合创始人之一,特斯拉AI总监。上一次的动态是官宣创办一家名为 Eureka Labs 的人工智能+教育公司 ,宣布将长期致力于AI原生教育。 近日,Andrej Karpathy接受了No Priors(投资博客)的采访,与硅谷知名投资人 Sara Guo 和 Elad G

如何解决线上平台抽佣高 线下门店客流少的痛点!

目前,许多传统零售店铺正遭遇客源下降的难题。尽管广告推广能带来一定的客流,但其费用昂贵。鉴于此,众多零售商纷纷选择加入像美团、饿了么和抖音这样的大型在线平台,但这些平台的高佣金率导致了利润的大幅缩水。在这样的市场环境下,商家之间的合作网络逐渐成为一种有效的解决方案,通过资源和客户基础的共享,实现共同的利益增长。 以最近在上海兴起的一个跨行业合作平台为例,该平台融合了环保消费积分系统,在短

Retrieval-based-Voice-Conversion-WebUI模型构建指南

一、模型介绍 Retrieval-based-Voice-Conversion-WebUI(简称 RVC)模型是一个基于 VITS(Variational Inference with adversarial learning for end-to-end Text-to-Speech)的简单易用的语音转换框架。 具有以下特点 简单易用:RVC 模型通过简单易用的网页界面,使得用户无需深入了

购买磨轮平衡机时应该注意什么问题和技巧

在购买磨轮平衡机时,您应该注意以下几个关键点: 平衡精度 平衡精度是衡量平衡机性能的核心指标,直接影响到不平衡量的检测与校准的准确性,从而决定磨轮的振动和噪声水平。高精度的平衡机能显著减少振动和噪声,提高磨削加工的精度。 转速范围 宽广的转速范围意味着平衡机能够处理更多种类的磨轮,适应不同的工作条件和规格要求。 振动监测能力 振动监测能力是评估平衡机性能的重要因素。通过传感器实时监

透彻!驯服大型语言模型(LLMs)的五种方法,及具体方法选择思路

引言 随着时间的发展,大型语言模型不再停留在演示阶段而是逐步面向生产系统的应用,随着人们期望的不断增加,目标也发生了巨大的变化。在短短的几个月的时间里,人们对大模型的认识已经从对其zero-shot能力感到惊讶,转变为考虑改进模型质量、提高模型可用性。 「大语言模型(LLMs)其实就是利用高容量的模型架构(例如Transformer)对海量的、多种多样的数据分布进行建模得到,它包含了大量的先验

缓存雪崩问题

缓存雪崩是缓存中大量key失效后当高并发到来时导致大量请求到数据库,瞬间耗尽数据库资源,导致数据库无法使用。 解决方案: 1、使用锁进行控制 2、对同一类型信息的key设置不同的过期时间 3、缓存预热 1. 什么是缓存雪崩 缓存雪崩是指在短时间内,大量缓存数据同时失效,导致所有请求直接涌向数据库,瞬间增加数据库的负载压力,可能导致数据库性能下降甚至崩溃。这种情况往往发生在缓存中大量 k

图神经网络模型介绍(1)

我们将图神经网络分为基于谱域的模型和基于空域的模型,并按照发展顺序详解每个类别中的重要模型。 1.1基于谱域的图神经网络         谱域上的图卷积在图学习迈向深度学习的发展历程中起到了关键的作用。本节主要介绍三个具有代表性的谱域图神经网络:谱图卷积网络、切比雪夫网络和图卷积网络。 (1)谱图卷积网络 卷积定理:函数卷积的傅里叶变换是函数傅里叶变换的乘积,即F{f*g}