codeforce940 F. Machine Learning 带修莫队

给定一个带修改的序列,求一个区间中最小的未出现的数的个数

单点修改,区间查询

任意离散化+带修莫队(可持续化,按时间进程记录修改先后的值的版本)

#include<bits/stdc++.h>
using namespace std;
const int MAX=2e5+5;
int n,m,cntq,cntc,cntid,block,a[MAX],now[MAX],vis[MAX],ans[MAX];
map<int,int>id;
struct P
{
    int l,r,t,ans;
    void is(int x1,int x2,int x3){l=x1;r=x2;t=x3;}
}q[MAX];
struct Q
{
    int pos,u,v,t;
    void is(int x1,int x2,int x3,int x4){pos=x1;u=x2;v=x3;t=x4;}
}c[MAX];
inline bool cmp1(P& x1,P& x2)
{
    if(x1.l/block!=x2.l/block) return x1.l<x2.l;
    if(x1.r/block!=x2.r/block) return x1.r<x2.r;
    return x1.t<x2.t;
}
inline bool cmp2(P& x1,P& x2){return x1.t<x2.t;}
inline void add(int x,int d)
{
    if(vis[x]>0)--ans[vis[x]];
    vis[x]+=d;
    if(vis[x]>0)++ans[vis[x]];
}
inline void change(int &x,int l,int r,int val)
{
    if(c[x].v==0) return ;
    if(c[x].pos>=l&&c[x].pos<=r)
    {
        add(a[c[x].pos],-1);
        add(val,1);
    }
    a[c[x].pos]=val;
}
inline int sid(int x)
{
    if(id[x]) return id[x];
    return id[x]=++cntid;
}
int main()
{
    int x,y,z;
    id.clear();cntq=cntid=0;memset(now,0,sizeof(now));memset(c,0,sizeof(c));
    scanf("%d%d",&n,&m);block=pow(n,2.0/3);
    for(int i=1;i<=n;++i) {scanf("%d",&a[i]);now[i]=a[i]=sid(a[i]);}
    for(int i=1;i<=m;++i)
    {
        scanf("%d%d%d",&x,&y,&z);
        if(x==1) q[cntq++].is(y,z,i);
        else c[i].is(y,now[y],z=sid(z),i),now[y]=z;
    }
    sort(q,q+cntq,cmp1);
    int l=1,r=0,t=0;
    for(int i=0;i<cntq;++i)
    {
        while(r<q[i].r) add(a[++r],1);
        while(l<q[i].l) add(a[l++],-1);
        while(r>q[i].r) add(a[r--],-1);
        while(l>q[i].l) add(a[--l],1);
        while(t<q[i].t) ++t,change(t,l,r,c[t].v);
        while(t>q[i].t) change(t,l,r,c[t].u),--t;
        int k=1;while(ans[k]) ++k;q[i].ans=k;
    }
    sort(q,q+cntq,cmp2);
    for(int i=0;i<cntq;++i) printf("%d\n",q[i].ans);
    return 0;
}

 

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