6312. Lottery

本文介绍了一种解决序列相似性问题的高效算法,通过计算序列间的距离来判断其是否为k相似。针对一系列询问,算法能快速计算出每个长度为l的子串与其他子串的k相似数量,适用于大规模数据处理。

6312. Lottery 
(File IO): input:lottery.in output:lottery.out

Time Limits: 1000 ms  Memory Limits: 32768 KB  Detailed Limits  

Description

定义两个序列对应位置上不同的值的个数不超过 k,则可称为 k 相似。
现在有一个长度为 n 的序列 a,将它划分为 n−l+1 个长度为 l 的子串(第 i 个子串为 a[i]~a[i+l-1])
q 组询问,第 j 组询问给出一个 kj,求每个子串与多少个其它的子串可称为 kj 相似。

Input

第一行输入包含两个整数 n 和 l。
接下来一行 n 个整数表示序列 a。
第三行输入一个整数 q。
接下来 q 行每行一个整数 kj。

Output

输出有 q 行,每行 n-l+1 个整数,第 i 个整数表示第 i 个子串与多少个其它的子串可称为 kj 相似。

Sample Input

6 2
1 2 1 3 2 1
2
1
2
 

Sample Output

2 1 1 1 1
4 4 4 4 4

Data Constraint

对于 25% 的数据点,n<=300;
对于另外 20% 的数据点,n<=2000;
对于另外 20% 的数据点,q=1,k1=1;
对于另外 15% 的数据点,q=1;
对于 100% 的数据点,kj<=l<=n<=10000,q<=100,ai<=10^9。

Source / Author: CEOI2018 day1 lot

 

题解:

设ans[j,i]表示与串[i,i+l-1]距离为j的串的个数,直接暴力复杂度为O(n^2*l) 考虑,若已知[l1,r1]和[l2,r2]的距离,则可以O(1)计算出[l1+1,r1+1]和[l2+1,r2+1]的距离 即O(n)时间计算O(n)对子串(端点差相同的子串对放在一起计算),那么O(n^2)可计算完所有子串对的距离。 然而空间O(n^2)没法接受。 注意到询问只有q次,所以,开个O(nq)的数组,前缀和计算一下即可

 

#include<cstdio>
#include<cstring>
#include<algorithm>
#define mem(a,b) memset(a,b,sizeof(a))
#define mcy(a,b) memcpy(a,b,sizeof(a))
#define N 20010
#define Q 110
#define ll long long
#define re register
#define inf 2147483647
#define mod (ll)(1e9+7)
#define open(x) freopen(x".in","r",stdin);freopen(x".out","w",stdout)
using namespace std;

template<class T> 
T in(T &x)
{
	char ch(0);T f=0; x=0;
	while(ch < '0' || ch > '9') ch = getchar() , f |= ch == '-';
	while(ch>='0' && ch<='9')  x = (x<<1) + (x<<3) + ch - '0' , ch = getchar();
	return f ? (x = -x) : x;
}
int n,l,q,a[N],k;
int ans[N][Q],qu[Q],qa[Q],r[N],t[N];

bool cmp(int a,int b){return a>b;}

void init()
{
	sort(qa+1 , qa+1+q , cmp);
	for(int i=1;i<=q;i++) r[qa[i]] = i;
	for(int i=l;i>0;--i)
		 r[i] = (r[i] ? r[i] : r[i+1]);
	r[0] = q;
	for(int i=1,match=0;i<=n-l;i++,match=0)
	{
		//calc [1-l][1+i - l+i]
		for(int k=1;k<=l;k++) if(a[k]!=a[i+k]) ++match;
		++ans[1][r[match]] , ++ans[i+1][r[match]];
		//push it
		for(int j=1;j<=n-l-i;j++) 
		{
			match += (a[j+l]!=a[j+i+l]) - (a[j]!=a[j+i]);
			++ans[i+j+1][r[match]];
			++ans[j+1][r[match]];
		}
	}
	for(int i=1;i<=n-l+1;i++) 
		for(int j=q;j>=0;j--) ans[i][j]+=ans[i][j+1];
}

int main()
{
	open("lottery");
	in(n) , in(l);
	for(int i=1;i<=n;i++) in(a[i]);
	in(q);
	for(int i=1;i<=q;i++) in(qu[i]);
	mcy(qa , qu);
	init();
	for(int i=1;i<=q;i++)
		{for(int j=1;j<=n-l+1;j++) printf("%d ",ans[j][r[qu[i]]]);puts("");}
	return 0;
}

 

内容概要:本文围绕“基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究”展开,提出了一种结合Koopman算子理论与递归神经网络(RNN)的数据驱动建模方法,旨在对非线性纳米定位系统进行有效线性化建模,并实现高精度的模型预测控制(MPC)。该方法利用Koopman算子将非线性系统映射到高维线性空间,通过递归神经网络学习系统的动态演化规律,构建可解释性强、计算效率高的线性化模型,进而提升预测控制在复杂不确定性环境下的鲁棒性与跟踪精度。文中给出了完整的Matlab代码实现,涵盖数据预处理、网络训练、模型验证与MPC控制器设计等环节,具有较强的基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究(Matlab代码实现)可复现性和工程应用价值。; 适合人群:具备一定控制理论基础和Matlab编程能力的研究生、科研人员及自动化、精密仪器、机器人等方向的工程技术人员。; 使用场景及目标:①解决高精度纳米定位系统中非线性动态响应带来的控制难题;②实现复杂机电系统的数据驱动建模与预测控制一体化设计;③为非线性系统控制提供一种可替代传统机理建模的有效工具。; 阅读建议:建议结合提供的Matlab代码逐模块分析实现流程,重点关注Koopman观测矩阵构造、RNN网络结构设计与MPC控制器耦合机制,同时可通过替换实际系统数据进行迁移验证,深化对数据驱动控制方法的理解与应用能力。
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