3. Longest Substring Without Repeating Characters

本文探讨了如何找出给定字符串中最长的无重复字符子串,并提供了两种解法。第一种采用双重循环,时间复杂度较高。第二种解法则利用向量容器存储字符,通过不断更新容器来达到高效查找的目的。

Given a string, find the length of the longest substring without repeating characters.

Examples:

Given “abcabcbb”, the answer is “abc”, which the length is 3.

Given “bbbbb”, the answer is “b”, with the length of 1.

Given “pwwkew”, the answer is “wke”, with the length of 3. Note that the answer must be a substring, “pwke” is a subsequence and not a substring.

解法1:
通过2重循环求,时间复杂度n平方,提交超时

//主要思路为:
当遇到和容器里的元素相同时,则终止内存循环,然后比较ibest,再从外层循环的下一位构建容器,再重复上面的操作

解法2:

int main()
{
    string s;
    while (cin >> s)
    {
        int ibest = 0;
        int current = 0;
        vector<char>cvec;
        for (size_t i = 0; i < s.size(); i++)
        {
            auto flag = find(cvec.begin(), cvec.end(), s[i]);
            if ( flag== cvec.end())
            {
                current++;
                cvec.push_back(s[i]);
            }
            else
            {
                if (current > ibest)ibest = current; //每次中断要比较一次
                cvec.erase(cvec.begin(), flag+1);  //一般erase(begin,end) 删除的是[begin,end)的数据,故要将flag位置的数据删除,flag必须+1  
                current = cvec.size();
                i = i - 1; //因为是从i此结束的,容器中还没i的元素,要添加进来,所以i回退一个
            }
            if (current > ibest)ibest = current; //这里再添加比较是考虑如果没有一次中断,则无法进入上的else进行比较,所以得不到ibest;   
        }
        cout << ibest << endl;
    }
}

分析:
当添加的元素与容器内的元素有相同时,则此时要比较current 与ibest ,然后修改容器,将容器中开始位置到flag的位置上的元素删除掉,为什么可以删除呢?因为,例如 fghkbcdacilj
当你从f开始搜,当遇到重复的c时,此时的长度为 8 ,而如果你再从f的下一个g开始搜,依然是遇到c时结束,此时长度为7,长度肯定比第一次小,所以直接可以将第一个c(包括c)前面的字符全部从容器中删除,然后接着搜,所以调整容器,

【故障诊断】【pytorch】基于CNN-LSTM故障分类的轴承故障诊断研究[西储大学数据](Python代码实现)内容概要:本文介绍了基于CNN-LSTM神经网络模型的轴承故障分类方法,利用PyTorch框架实现,采用西储大学(Case Western Reserve University)公开的轴承故障数据集进行实验验证。该方法结合卷积神经网络(CNN)强大的特征提取能力和长短期记忆网络(LSTM)对时序数据的建模优势,实现对轴承不同故障类型和严重程度的高精度分类。文中详细阐述了数据预处理、模型构建、训练流程及结果分析过程,并提供了完整的Python代码实现,属于典型的工业设备故障诊断领域深度学习应用研究。; 适合人群:具备Python编程基础和深度学习基础知识的高校学生、科研人员及工业界从事设备状态监测与故障诊断的工程师,尤其适合正在开展相关课题研究或希望复现EI级别论文成果的研究者。; 使用场景及目标:① 学习如何使用PyTorch搭建CNN-LSTM混合模型进行时间序列分类;② 掌握轴承振动信号的预处理与特征学习方法;③ 复现并改进基于公开数据集的故障诊断模型,用于学术论文撰写或实际工业场景验证; 阅读建议:建议读者结合提供的代码逐行理解模型实现细节,重点关注数据加载、滑动窗口处理、网络结构设计及训练策略部分,鼓励在原有基础上尝试不同的网络结构或优化算法以提升分类性能。
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