leetcode——377. 组合总和 Ⅳ

本文介绍如何利用动态规划避免回溯,计算给定整数数组中,和为目标值的组合总数。通过定义dp[j]表示目标和为j时的排列数,并利用背包与排列的顺序,递推求解。关键在于初始化和边界条件的处理,最后返回dp[target]作为结果。

思路——动态规划

  1. 无需打印路径的使用动态规划代替回溯
  2. dp[j]含义:target为j时,使用[0~i]的排列数
  3. 递推公式:dp[j]+=dp[j-num[i]]
  4. dp初始化,第一个元素为1,其他元素为0
  5. 遍历顺序:先背包后物体(排列) 先物体后背后(组合)

代码

class Solution {
public:
    int combinationSum4(vector<int>& nums, int target) {
        vector<int> dp(target+1);
        //初始化
        dp[0]=1;
        //排列数 先背包后物体
        for(int j=0;j<target+1;++j)
            for(int &i:nums)
               //防止结果出界
               if(j>=i&&dp[j-i]<INT_MAX-dp[j]) dp[j]+=dp[j-i];
        //返回结果
        return dp[target];
    }
};
内容概要:本文提出了一种基于融合鱼鹰算法和柯西变异的改进麻雀优化算法(OCSSA),用于优化变分模态分解(VMD)的参数,进而结合卷积神经网络(CNN)与双向长短期记忆网络(BiLSTM)构建OCSSA-VMD-CNN-BILSTM模型,实现对轴承故障的高【轴承故障诊断】基于融合鱼鹰和柯西变异的麻雀优化算法OCSSA-VMD-CNN-BILSTM轴承诊断研究【西储大学数据】(Matlab代码实现)精度诊断。研究采用西储大学公开的轴承故障数据集进行实验验证,通过优化VMD的模态数和惩罚因子,有效提升了信号分解的准确性与稳定性,随后利用CNN提取故障特征,BiLSTM捕捉时间序列的深层依赖关系,最终实现故障类型的智能识别。该方法在提升故障诊断精度与鲁棒性方面表现出优越性能。; 适合人群:具备一定信号处理、机器学习基础,从事机械故障诊断、智能运维、工业大数据分析等相关领域的研究生、科研人员及工程技术人员。; 使用场景及目标:①解决传统VMD参数依赖人工经验选取的问题,实现参数自适应优化;②提升复杂工况下滚动轴承早期故障的识别准确率;③为智能制造与预测性维护提供可靠的技术支持。; 阅读建议:建议读者结合Matlab代码实现过程,深入理解OCSSA优化机制、VMD信号分解流程以及CNN-BiLSTM网络架构的设计逻辑,重点关注参数优化与故障分类的联动关系,并可通过更换数据集进一步验证模型泛化能力。
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