BZOJ 1208 Splay伸展树

本文介绍了一种基于Splay树的数据结构解决方案,用于解决宠物店顾客与宠物之间的权值匹配问题。通过插入、删除及查找操作实现最优匹配,确保每次领养权值之差最小。

题目链接

题意:

一家宠物店可能会收到流浪宠物或者有顾客来领养一只宠物,每次收养会产生一种权值即顾客和宠物的权值差,求最终权值大小

根据当前收集数据为宠物还是顾客一下情况:

1.当输入一只宠物时,如果现在有想领养宠物的顾客等待,那么就选一个权值和宠物相差最小的顾客带走这只宠物,如果有相同的情况,让权值小的那个顾客带走宠物

2.当输入一名顾客时,如果现在有流浪宠物待在宠物店中,那么就选一个权值和顾客相差最小的宠物被顾客带走,如果有相同的情况,让权值小的那只宠物被顾客带走

思路:

Splay基础操作:插入,删除,Splay,求前驱,求后缀,此外还有一个小操作维护当前树的种类是顾客树还是宠物树

C++代码:

#include<map>
#include<set>
#include<stack>
#include<cmath>
#include<queue>
#include<vector>
#include<string>
#include<cstdio>
#include<cstring>
#include<complex>
#include<iostream>
#include<algorithm>
using namespace std;
#define lson rt<<1
#define rson rt<<1|1
typedef double DB;
typedef long long LL;
typedef complex<double>CD;
const int maxn = 100010;
const int mod = 1000000;
const int inf = 0x3f3f3f3f;
const int INF = 0x7FFFFFFF;

void Mod( int &x ){ x%=mod; }
int Min( int a , int b ){ return a<b?a:b; }
int Max( int a , int b ){ return a>b?a:b; }
int Abs( int x ){ return x>=0?x:-x; }
int Random(){ static int seed = 703; return seed=(int)(seed*48271LL%2147483647); }

int fa[maxn],son[maxn][2],val[maxn],root,sizes;

void Newnode( int data , int father )
{
    sizes++;
    fa[sizes] = father;
    son[sizes][0] = 0;
    son[sizes][1] = 0;
    val[sizes] = data;
}

void Rotate( int x , int kind )
{
    int y = fa[x];
    int z = fa[y];
    son[y][1-kind] = son[x][kind];
    if ( son[x][kind]!=0 )
        fa[son[x][kind]] = y;
    fa[x] = z;
    if ( z )
        son[z][son[z][1]==y] = x;
    fa[y] = x,son[x][kind] = y;
}

void Splay( int x )
{
    while ( fa[x]!=0 )
    {
        int y = fa[x];
        int z = fa[y];
        if ( z==0 )
            Rotate( x , x!=son[y][1] );
        else
        {
            if ( y==son[z][0] )
            {
                if ( x==son[y][0] )
                    Rotate( y , 1 ),Rotate( x , 1 );
                else
                    Rotate( x , 0 ),Rotate( x , 1 );
            }
            else
            {
                if ( x==son[y][0] )
                    Rotate( x , 1 ),Rotate( x , 0 );
                else
                    Rotate( y , 0 ),Rotate( x , 0 );
            }
        }
    }
    root = x;
}

void Insert( int data , int now )
{
    if ( root==0 )
        Newnode( data , 0 ),root = sizes;
    else
    {
        while ( true )
        {
            if ( data<val[now] )
            {
                if ( son[now][0] )
                    now = son[now][0];
                else
                {
                    Newnode( data , now );
                    son[now][0] = sizes;
                    return;
                }
            }
            else
            {
                if ( son[now][1] )
                    now = son[now][1];
                else
                {
                    Newnode( data , now );
                    son[now][1] = sizes;
                    return;
                }
            }
        }
    }
}

void Delete( int x )
{
    Splay( x );
    if ( son[x][0]==0&&son[x][1]==0 )
        root = 0;
    else if ( son[x][0]==0 )
        root = son[x][1],fa[son[x][1]] = 0;
    else if ( son[x][1]==0 )
        root = son[x][0],fa[son[x][0]] = 0;
    else
    {
        int y = son[x][0];
        while ( son[y][1] )
            y = son[y][1];
        fa[son[x][0]] = 0;
        Splay( y );
        son[y][1] = son[x][1];
        fa[son[x][1]] = y;
        root = y;
    }
}

int prenum,pre,sucnum,suc;

void Find_Pre( int data )
{
    int now = root;
    pre = 0,prenum = INF;
    while ( true )
    {
        if ( now==0 )
            return;
        if ( data>val[now]&&(data-val[now])<prenum )
            pre = now,prenum = data-val[now];
        if ( data<val[now] )
            now = son[now][0];
        else
            now = son[now][1];
    }
}

void Find_Suc( int data )
{
    int now = root;
    suc = -1,sucnum = INF;
    while ( true )
    {
        if( now==0 )
            return;
        if ( data<val[now]&&(val[now]-data)<sucnum )
            suc = now,sucnum = val[now]-data;
        if ( data<val[now] )
            now = son[now][0];
        else
            now = son[now][1];
    }
}

int main()
{
    for ( int n ; scanf ( "%d" , &n )==1 ; )
    {
        int kind,k,data,ans = 0;
        scanf ( "%d%d" , &kind , &data );
        sizes = 0;
        Newnode( data , 0 );
        root = sizes;
        for ( int i=2 ; i<=n ; i++ )
        {
            scanf ( "%d%d" , &k , &data );
            if ( root==0 )
            {
                kind = k;
                Newnode( data , 0 );
                root = sizes;
            }
            else
            {
                if ( k==kind )
                    Insert( data , root ),Splay( sizes );
                else
                {
                    Find_Pre( data );
                    Find_Suc( data );
                    if ( prenum<=sucnum )
                        Mod ( ans+=prenum ),Delete( pre );
                    else
                        Mod ( ans+=sucnum ),Delete( suc );
                }
            }
        }
        printf ( "%d\n" , ans );
    }
    return 0;
}

 

训练数据保存为deep_convnet_params.pkl,UI使用wxPython编写。卷积神经网络(CNN)是一种专门针对图像、视频等结构化数据设计的深度学习模型,在计算机视觉、语音识别、自然语言处理等多个领域有广泛应用。其核心设计理念源于对生物视觉系统的模拟,主要特点包括局部感知、权重共享、多层级抽象以及空间不变性。 **1. 局部感知与卷积操作** 卷积层是CNN的基本构建块,使用一组可学习的滤波器对输入图像进行扫描。每个滤波器在图像上滑动,以局部区域内的像素值与滤波器权重进行逐元素乘法后求和,生成输出值。这一过程能够捕获图像中的边缘、纹理等局部特征。 **2. 权重共享** 同一滤波器在整个输入图像上保持相同的权重。这显著减少了模型参数数量,增强了泛化能力,并体现了对图像平移不变性的内在假设。 **3. 池化操作** 池化层通常紧随卷积层之后,用于降低数据维度并引入空间不变性。常见方法有最大池化和平均池化,它们可以减少模型对微小位置变化的敏感度,同时保留重要特征。 **4. 多层级抽象** CNN通常包含多个卷积和池化层堆叠在一起。随着网络深度增加,每一层逐渐提取更复杂、更抽象的特征,从底层识别边缘、角点,到高层识别整个对象或场景,使得CNN能够从原始像素数据中自动学习到丰富的表示。 **5. 激活函数与正则化** CNN中使用非线性激活函数来引入非线性表达能力。为防止过拟合,常采用正则化技术,如L2正则化和Dropout,以增强模型的泛化性能。 **6. 应用场景** CNN在诸多领域展现出强大应用价值,包括图像分类、目标检测、语义分割、人脸识别、图像生成、医学影像分析以及自然语言处理等任务。 **7. 发展与演变** CNN的概念起源于20世纪80年代,其影响力在硬件加速和大规模数据集出现后真正显现。经典模型如LeNet-5用于手写数字识别,而AlexNet、VGG、GoogLeNet、ResNet等现代架构推动了CNN技术的快速发展。如今,CNN已成为深度学习图像处理领域的基石,并持续创新。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
内容概要:本文介绍了一种基于CEEMDAN-BiLSTM的中短期天气预测模型,通过将完全集合经验模态分解自适应噪声(CEEMDAN)与双向长短期记忆网络(BiLSTM)相结合,实现对复杂气象时间序列的高精度预测。首先利用CEEMDAN对原始气象数据进行多尺度分解,获得多个本征模态函数(IMF)分量和残差,有效解决模式混叠与噪声干扰问题;随后对各IMF分量分别构建BiLSTM模型进行独立预测,充分发挥其对前后时序依赖的建模能力;最后通过集成重构输出最终预测结果。文中还包含了数据预处理、特征提取、模型评估与可视化等完整流程,并提供了MATLAB实现的部分代码示例。该方法显著提升了天气预测的准确性与鲁棒性,适用于多类气象要素的中短期趋势预测。; 适合人群:具备一定机器学习和时间序列分析基础,从事气象、环境、能源等领域研究或工程应用的研发人员、高校研究生及数据科学家。; 使用场景及目标:①应用于温度、风速、降水等气象变量的中短期精准预测;②解决传统模型在非线性、多尺度气象信号建模中的局限性;③构建智能气象预测系统,服务于电力调度、灾害预警、智慧农业等实际业务场景。; 阅读建议:建议结合MATLAB代码实践操作,深入理解CEEMDAN分解机制与BiLSTM建模细节,重点关注数据预处理、模型参数调优与结果集成策略,同时可扩展至多变量联合预测以提升应用价值。
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