1. 广告排名区间 (10分)

本文介绍了一个关于广告排名区间估计的问题,旨在找到广告展示位置概率超过预设值的最小区间。通过两种不同的算法实现,包括一种可能超时的简单枚举方法及一种使用动态规划优化的高效解决方案。

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

1. 广告排名区间 (10分)

问题背景

shifen广告消费预估系统可以估计出一段时间内一个特定的广告在检索结果中排在各个位置的几率。比如系统对某广告的输出如下:

p1 = 0.03, p2 = 0.08, p3 = 0.04 ……

这说明该广告展现在第1位的概率是 3%,展现在第2位的概率是 8%,展现在第3位的概率是 4%……

问题是:如何给出一个排名估计区间[i, j],使得广告出现在该区间中的概率大于或等于一个预设值p,同时这个区间所包含的元素尽可能的少。也可用数学语言来描述:给定数p和数列 p1, p2, … , pn,求 i和 j (1 <= i <= j <= n),在满足pi + pi+1 + … + pj >= p的前提下让j-i 最小。

一般来说,pi只需保留6位小数就足够了。这样,若令ai=106pi,a=106p,则a和所有的ai均为[0,106]之间的整数。这样就避免了对实数的处理。

 

 

输入格式

第一行包含一个整数n (1 <= n <= 100,000)。
以下n行每行包含一个[0,106]内的整数,依次为a1,a2,…,an。这n个整数之和保证不超过106
最后一行包含一个[0,106]内的整数a。保证所有ai之和不小于a。

输出格式

输出仅一行,包含一个整数,即j – i的最小值。

样例输入

7
5
8
4
7
10
5
2
18

样例输出

2

样例解释

a2=8, a3=4, a4=7之和为19,满足条件。而任何两个相邻数之和均小于18。

 

有人这样做的:

#include<iostream>
#include<cstdlib>
using namespace std;

int main()
{
int n,m=0,sum;
cin>>n;
int *a= new int[n];
for(int i=0;i<n;++i)
{
   cin>>a[i];
   m+=a[i];
}
cin>>sum;
if(m>1000000||sum>1000000||m<sum) { cout<<"Input error!"; exit(0); }
int k=0,l=n,min;
for(int i=0;i<n;++i)
{
m=0;
for(int j=0;i+j<n;++j)
{
    m+=a[i+j];
    if(m>=sum&&j<l-k)
     { k=i; l=i+j; }
}
}
cout<<l-k<<endl;
delete []a;
return 0;
}

 

本人感觉这样做会超时哦,用动态规划好像好一点:

#include<stdio.h>
int main()
{
 int a[100001],b[100001],n,sum,i,j,a1;
 bool flag=true;
 scanf("%d",&n);
 for(i=0;i<n;i++)
 {
  scanf("%d",&a[i]); 
  b[i]=a[i];
 }
 scanf("%d",&a1);
 sum=0;
 for(i=0;i<n;i++)
  if(a[i]>=a1)
  {
   flag=false;
   sum=1;
   break;
  }
 i=2;
 while(i<=n&&flag)
 {
  for(j=0;j<n-1;j++)
  {
   b[j]=b[j+1]+a[j];
   if(b[j]>=a1)
   {
    flag=false;
    break;
   }
  }
  i++;
 }
 if(sum==1)
  printf("%d/n",sum);
 else
  printf("%d/n",i-2);  
 return 0;
}

内容概要:该论文探讨了种基于粒子群优化(PSO)的STAR-RIS辅助NOMA无线通信网络优化方法。STAR-RIS作为种新型可重构智能表面,能同时反射和传输信号,与传统仅能反射的RIS不同。结合NOMA技术,STAR-RIS可以提升覆盖范围、用户容量和频谱效率。针对STAR-RIS元素众多导致获取完整信道状态信息(CSI)开销大的问题,作者提种在不依赖完整CSI的情况下,联合优化功率配、基站波束成形以及STAR-RIS的传输和反射波束成形向量的方法,以最大化总可实现速率并确保每个用户的最低速率要求。仿真结果显示,该方案优于STAR-RIS辅助的OMA系统。 适合人群:具备定无线通信理论基础、对智能反射面技术和非正交多址接入技术感兴趣的科研人员和工程师。 使用场景及目标:①适用于希望深入了解STAR-RIS与NOMA结合的研究者;②为解决无线通信中频谱资源紧张、提高系统性能提供新的思路和技术手段;③帮助理解PSO算法在无线通信优化问题中的应用。 其他说明:文中提供了详细的Python代码实现,涵盖系统参数设置、信道建模、速率计算、目标函数定义、约束条件设定、主优化函数设计及结果可视化等环节,便于读者理解和复现实验结果。此外,文章还对比了PSO与其他优化算法(如DDPG)的区别,强调了PSO在不需要显式CSI估计方面的优势。
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