【WF2015】【BZOJ4106】Amalgamated Artichokes

本文介绍了一种求解特定形式数列最大极差的方法,通过预处理和动态更新策略,实现了高效计算。该问题源自竞赛编程背景,适用于数学算法及数值计算等领域。

Description
有一个数列price_k = p * (sin(a * k + b) + cos(c * k + d) + 2).
求最大的(price_i - price_j) (1 <= i <= j <= n)
Input

多组数据.每组数据六个整数p, a, b, c, d, n.
Output

每组数据输出一行表示答案,保留六位小数.
Sample Input
392 456 222 152 222 348222
Sample Output
1556.786855
HINT

1 <= p, a, b, c, d <= 1000, 1 <= n <= 1000000.

Source

鸣谢laekov提供译文
看见yts大爷今天写这个题就去做了
BZOJ上怎么会有这种傻逼题…看来是沾了WF的光…
毕竟ACM比赛的A题就算是WF也没有什么难度的…

#include<iostream>
#include<cstdio>
#include<cstring>
#include<cmath>
#include<algorithm>
#define MAXN 1001000
#define eps 1e-9
using namespace std;
int p,a,b,c,d,n;
double price[MAXN],pre_max[MAXN],pre_min[MAXN];
double ans,maxn;
int main()
{
    while (~scanf("%d%d%d%d%d%d",&p,&a,&b,&c,&d,&n))
    {
        ans=0;
        for (int i=1;i<=n;i++)  price[i]=p*(sin(a*i+b)+cos(c*i+d)+2);
        maxn=price[1];
        for (int i=2;i<=n;i++)
        {
            if (price[i]>maxn)  maxn=price[i];
            else    ans=max(ans,maxn-price[i]);
        }
        printf("%.6lf\n",ans);
    }
}
内容概要:本文介绍了基于贝叶斯优化的CNN-LSTM混合神经网络在时间序列预测中的应用,并提供了完整的Matlab代码实现。该模型结合了卷积神经网络(CNN)在特征提取方面的优势与长短期记忆网络(LSTM)在处理时序依赖问题上的强大能力,形成一种高效的混合预测架构。通过贝叶斯优化算法自动调参,提升了模型的预测精度与泛化能力,适用于风电、光伏、负荷、交通流等多种复杂非线性系统的预测任务。文中还展示了模型训练流程、参数优化机制及实际预测效果分析,突出其在科研与工程应用中的实用性。; 适合人群:具备一定机器学习基基于贝叶斯优化CNN-LSTM混合神经网络预测(Matlab代码实现)础和Matlab编程经验的高校研究生、科研人员及从事预测建模的工程技术人员,尤其适合关注深度学习与智能优化算法结合应用的研究者。; 使用场景及目标:①解决各类时间序列预测问题,如能源出力预测、电力负荷预测、环境数据预测等;②学习如何将CNN-LSTM模型与贝叶斯优化相结合,提升模型性能;③掌握Matlab环境下深度学习模型搭建与超参数自动优化的技术路线。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,重点关注贝叶斯优化模块与混合神经网络结构的设计逻辑,通过调整数据集和参数加深对模型工作机制的理解,同时可将其框架迁移至其他预测场景中验证效果。
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