HDU5326多校签到题,搜索子孙节点,

本文介绍了一种使用深度优先搜索(DFS)遍历树形结构的方法,并通过具体代码实现展示了如何统计特定子树节点数量的过程。该算法适用于解决与树结构相关的计数问题。

dfs一发即可:

#include <bits/stdc++.h>
using namespace std;
const int N = 110;
vector<int> E[N];
int in[N], son[N];
bool vis[N];
void dfs(int u)
{
    vis[u] = true;
    son[u] = 1;
    for(int v: E[u]) {
        dfs(v);
        son[u] += son[v];
    }
}
int main()
{
    freopen("in.txt", "r", stdin);
    freopen("out.txt", "w", stdout);
    int n, k, a, b;
    while(scanf("%d%d", &n, &k) == 2) {
        memset(vis, false, sizeof(vis));
        memset(in, 0, sizeof(in));
        for(int i = 0; i < n; i++) {
            E[i].clear();
        }
        for(int i = 1; i < n; i++) {
            scanf("%d%d", &a, &b);
            assert(1 <= a && a <= n);
            assert(1 <= b && b <= n);
            a--; b--;
            E[a].push_back(b);
            in[b]++;
        }
        int root = -1;
        for(int i = 0; i < n; i++) if(!in[i]) {
            root = i;
        }
        assert(root == 0);
        dfs(root);
        for(int i = 0 ; i < n; i++) if(!vis[i]) {
            while(1);
        }
        int ret = 0;
        for(int i = 0; i < n; i++) if(son[i] - 1 == k) {
            ret ++;
        }
        printf("%d\n", ret);
    }
    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,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