foj 2280

本文介绍了一种使用暴力算法解决特定问题的方法。问题涉及多个魔法及其破坏值,通过判断后缀匹配来确定魔法之间的连锁关系。文章提供了一个详细的C++实现方案,包括如何处理魔法连锁技的变更和查询。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

这题2s哇!暴力可水过(x)

题意:
有n个魔法和对应破坏值
如果某个魔法是另一个魔法的后缀且前者破坏值更大
后者可被当做前者的连锁技一起使用

Q个操作
1 :把第x个魔法的破坏值改成y
2 :询问第x个魔法有几个连锁技(包括自己)


暴力暴力暴力!
先判断后缀情况,存储一下可能成为连锁技的魔法
另外存储一个相反的情况,即当前状态改变可能会影响到哪些魔法,并在改变后标记一下被影响的魔法,在之后询问被影响的魔法后再进行更新(虽然感觉没什么大用但应该能节省时间)


#include <iostream>
#include <cstdio>
#include <vector>
#include <string>
#include <cstring>
#include <map>
#include <queue>
#include <algorithm>
#include <stack>
#include <cmath>
using namespace std;
const int maxn=1010;
const int INF=0x3f3f3f3f;
const int eps=1e-8;

vector<int>G[maxn],P[maxn];
int len[maxn],sum[maxn],num[maxn],n,m,vis[maxn],s;
char ss[maxn][maxn];
bool flag;
int main()
{
 int cases,i,j,k,fg,x,y;

while (~scanf("%d",&cases))
{
    int cas=0;
    while (cases--)
    {
     scanf("%d",&n);
     for (i=1;i<=n;i++) { scanf("%s%d",ss[i],&num[i]); G[i].clear(); len[i]=strlen(ss[i]); P[i].clear(); P[i].push_back(i); }
     for (i=1;i<=n;i++)
      {
          sum[i]=0;
            for(j=1;j<=n;j++)
        if (i!=j && len[i]<=len[j])
     {
         flag=true;
         for (k=1;k<=len[i];k++)
         if (ss[i][len[i]-k]!=ss[j][len[j]-k]) {flag=false; break;}
         if (flag) { G[i].push_back(j); P[j].push_back(i); if (num[i]>=num[j]) sum[i]++;  }
     }
      }
      memset(vis,0,sizeof(vis));
     scanf("%d",&m);
     while (m--)
     {
         scanf("%d",&fg);
         if (fg==2)
         {
             scanf("%d",&x);
             if (!vis[x]) printf("%d\n",sum[x]+1);
             else
           {
                 s=0;
             for (i=0;i<G[x].size();i++)
                if (num[x]>=num[G[x][i]]) s++;
                printf("%d\n",s+1);
                sum[x]=s;
                vis[x]=0;
           }
         }
         else
         {
             scanf("%d%d",&x,&y); num[x]=y;
             for (i=0;i<P[x].size();i++) vis[P[x][i]]=1;
         }
     }
    }
}
return 0;
}
内容概要:本文针对国内加密货币市场预测研究较少的现状,采用BP神经网络构建了CCi30指数预测模型。研究选取2018年3月1日至2019年3月26日共391天的数据作为样本,通过“试凑法”确定最优隐结点数目,建立三层BP神经网络模型对CCi30指数收盘价进行预测。论文详细介绍了数据预处理、模型构建、训练及评估过程,包括数据归一化、特征工程、模型架构设计(如输入层、隐藏层、输出层)、模型编译与训练、模型评估(如RMSE、MAE计算)以及结果可视化。研究表明,该模型在短期内能较准确地预测指数变化趋势。此外,文章还讨论了隐层节点数的优化方法及其对预测性能的影响,并提出了若干改进建议,如引入更多技术指标、优化模型架构、尝试其他时序模型等。 适合人群:对加密货币市场预测感兴趣的研究人员、投资者及具备一定编程基础的数据分析师。 使用场景及目标:①为加密货币市场投资者提供一种新的预测工具和方法;②帮助研究人员理解BP神经网络在时间序列预测中的应用;③为后续研究提供改进方向,如数据增强、模型优化、特征工程等。 其他说明:尽管该模型在短期内表现出良好的预测性能,但仍存在一定局限性,如样本量较小、未考虑外部因素影响等。因此,在实际应用中需谨慎对待模型预测结果,并结合其他分析工具共同决策。
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