Codeforces134Div.2-C

本文介绍如何利用并查集解决路径问题,避免了传统搜索方式的使用,并在过程中纠正了一个小错误。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

用并查集,没有用搜索的方式。中途犯了一点小错误

#include <stdio.h>
#include <unistd.h>
#include <string.h>

using namespace std;

#define LEN 1010

int p[LEN], x[LEN], y[LEN];

void init() {
	int i;
	for(i = 0; i < LEN; i++) {
		p[i] = i;
	}
}

int find(int x) {
	return p[x] == x ? x : (p[x] = find(p[x]));
}

int main() {
	int n;
	while(scanf("%d", &n) != EOF) {
		int i, j;
		init();
		for(i = 1; i <= n; i++) {
			scanf("%d%d", &x[i], &y[i]);
			for(j = 1; j < i; j++) {
				if(x[i] == x[j] || y[i] == y[j]) {
					int p1 = find(i);
					int p2 = find(j);
					p[p2] = p1;
				}
			}
		}
		int ans = 0;
		for(i = 1; i <= n; i++) {
			if(p[i] == i) {
				++ans;
			}
		}
		printf("%d\n", ans-1);
	}
	return 0;
}



内容概要:本文针对国内加密货币市场预测研究较少的现状,采用BP神经网络构建了CCi30指数预测模型。研究选取2018年3月1日至2019年3月26日共391天的数据作为样本,通过“试凑法”确定最优隐结点数目,建立三层BP神经网络模型对CCi30指数收盘价进行预测。论文详细介绍了数据预处理、模型构建、训练及评估过程,包括数据归一化、特征工程、模型架构设计(如输入层、隐藏层、输出层)、模型编译与训练、模型评估(如RMSE、MAE计算)以及结果可视化。研究表明,该模型在短期内能较准确地预测指数变化趋势。此外,文章还讨论了隐层节点数的优化方法及其对预测性能的影响,并提出了若干改进建议,如引入更多技术指标、优化模型架构、尝试其他时序模型等。 适合人群:对加密货币市场预测感兴趣的研究人员、投资者及具备一定编程基础的数据分析师。 使用场景及目标:①为加密货币市场投资者提供一种新的预测工具和方法;②帮助研究人员理解BP神经网络在时间序列预测中的应用;③为后续研究提供改进方向,如数据增强、模型优化、特征工程等。 其他说明:尽管该模型在短期内表现出良好的预测性能,但仍存在一定局限性,如样本量较小、未考虑外部因素影响等。因此,在实际应用中需谨慎对待模型预测结果,并结合其他分析工具共同决策。
评论
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