栓奶牛:二分更胜DP一筹

本文探讨了解决栓奶牛问题的两种方法,重点在于利用二分搜索算法寻找距离最近的奶牛之间最大距离。二分法由于其时间复杂度为logn,具有高效性。同时,也介绍了使用动态规划(DP)的方法,虽然相对复杂,但依然能得出正确答案。

栓奶牛

 

解法一:二分

很明显题目说了:最小值最大,满足单调性,因此可以二分

解释一下:题目要求:距离最近的奶牛之间的距离尽可能大。那么也就是说,两头奶牛要尽量间隔的远一些,即间隔大一点,组数少一点。此时有一个小贪心,那就是第一个桩子肯定要选。我们二分题目所求的最大距离(间隔),如果这个间隔k,可行的话,我们要继续看再大一点可不可以,这就是l=mid+1;如果k不行,意味着,间隔太大了,那么我们要调小,就是r=mid-1;这就是所谓的单调性。

二分的复杂度是非常优秀的logn,完全不用担心时间。

 

Code:

#include <bits/stdc++.h>
using namespace std;

int n,k,w[105];

bool check(int x)
{
	int num=1,last=1;
	for(int i=2;i<=k;i++)
	{
		if(w[i]-w[last]>=x)
		{
			num++;
			last=i;
		 } 
	}
	if(num>=n) return 1;
	return 0;
 } 
int main()
{
	cin>>n>>k>>w[1];
	for(int i=2;i<=k;++i)
	{
		w[i]=w[i-1]+((w[i-1]*2357+137)%10+1);
	}
	
	int l=1,r=w[k],ans=0;
	while(l<=r)
	{
		int mid=(l+r)/2;
		if(check(mid))
		{
			ans=mid;
			l=mid+1;
		}
		else r=mid-1;
	}
	
	cout<<ans;
	return 0;
}

解法二:DP

此题用DP也是可以的,只不过没有二分那么简单,但DP是相当工整的

首先,一维dp是不行的,我们要记录的无非是三种东西:看过的桩子数,选中的个数,以及最大距离,

所以用二维dp

f[i][j]表示看完了i个桩子后选中了j个桩子中距离最近的奶牛之间的最大距离

我们最后是需要得到f[k][n]的值

下面就是要找子任务,俗称“回头望月”

首先我们可以肯定的是他的子问题一定是f[x][j-1],即看到了x个桩子,选中了j-1个。那么x的范围也很好确定,最大不能超过i-1,因为选中了j-1个,所以最小不能小过j-1(这就是上面这张图)

现在我们来看对于每一个x怎么处理?首先明确f[x][j-1]存的是,看到了x个桩子,选中了j个桩子中,最近的奶牛之间间隔的最大值

那么接下来要更新两个东西:最近的奶牛和他们的最大值

如果w[i]-w[x]<f[x][j-1],那么他就是那个最近的两头奶牛,假设值为minv

那么我们会得到很多个minv,所谓最小值最大,其实就是max_minv

 

Code:

#include <bits/stdc++.h>
using namespace std;
int n,k,w[105];
int f[105][105];


int main()
{
	int maxv,minv;
	cin>>n>>k>>w[1];
	for(int i=2;i<=k;++i)
	{
		w[i]=w[i-1]+((w[i-1]*2357+137)%10+1);
	}
	
	for(int i=1;i<=k;i++)
	 for(int j=1;j<=n;j++)
	  f[i][j]=20000;
	
	for(int i=2;i<=k;i++)
	{
		for(int j=2;j<=i,j<=n;j++)
		{
			maxv=-1;
			for(int x=j-1;x<=i-1;x++)
			{
				minv=min(f[x][j-1],w[i]-w[x]);
				maxv=max(minv,maxv);
			}
			
			f[i][j]=maxv;
		}
	}
	
	cout<<f[k][n]<<endl;
 } 

 

 

 

 

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
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