洛谷——P1087 FBI树

本文介绍了一种通过后序遍历构建二叉树的方法,并将其与字符串分割结合,实现了一次性完成建树与遍历的过程。特别注意到了只有单个字符的特殊情况处理。

这个题的是本质就是建树和遍历树,不过完全可以将建树和遍历树的过程合并在一起。

建树过程,就是将原字符串一分为二,左一半右一半。由于是后序遍历,所以是在两侧树都建完后在输出。这里要注意只有一个字符的特殊情况。

#include<iostream>
#include<cmath>
#include<algorithm>
#include<cstring>
#include<string>
using namespace std;

char tree[1030];
int n;
char judge(int l, int r) {
	char c = tree[l];
	for (int i = l + 1; i <= r; i++) {
		if (tree[i] != c)
			return 'F';
	}
	if (c == '0')
		return 'B';
	else
		return 'I';
}


void maketree(int l, int r) {
	if (l > r)
		return;
	else if (l == r) {
		char a[3] = "BI";
		if (tree[l] == '0')
			cout << a[0];
		else
			cout << a[1];
		return;
	}
	int mid = (l + r) >> 1;
	maketree(l, mid);
	maketree(mid + 1, r);
	cout << judge(l, r);
}

int main()
{
	ios_base::sync_with_stdio(0);
	cin.tie(0), cout.tie(0);
	cin >> n;
	for (int i = 0; i < pow(2, n); i++)
		cin >> tree[i];

	maketree(0, pow(2, n) - 1);
	
	return 0;
}
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
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