NOIp2013 Day2 T2 花匠

本博客探讨了一个有趣的算法问题,即如何从一排高低不等的花朵中选择部分,使剩余的花朵满足特定的排列规则。通过分析问题背景,提出了一种基于贪心算法的解决方案,代码简洁高效,适用于大数据集。

Description

花匠栋栋种了一排花,每株花都有自己的高度。花儿越长越大,也越来越挤。栋栋决定

把这排中的一部分花移走,将剩下的留在原地,使得剩下的花能有空间长大,同时,栋栋希

望剩下的花排列得比较别致。

具体而言,栋栋的花的高度可以看成一列整数h1,h2..hn。设当一部分花被移走后,剩下的花的高度依次为g1,g2..gm,则栋栋希望下面两个条件中至少有一个满足:

条件 A:对于所有g(2i)>g(2i-1),g(2i)>g(2i+1)

条件 B:对于所有g(2i)<g(2i-1),g(2i)<g(2i+1)

注意上面两个条件在m = 1时同时满足,当m > 1时最多有一个能满足。

请问,栋栋最多能将多少株花留在原地。

 

Input

输入文件为 flower .in。

输入的第一行包含一个整数n,表示开始时花的株数。

第二行包含n个整数,依次为h1,h2..hn,表示每株花的高度。

 

Output 

输出文件为 flower .out。

输出一行,包含一个整数m,表示最多能留在原地的花的株数。

 

Sample Input
5
5 3 2 1 2
 
Sample Output
3
 
Hint

【输入输出样例说明】

有多种方法可以正好保留 3 株花,例如,留下第 1、4、5 株,高度分别为 5、1、2,满

足条件 B。

【数据范围】

对于 20%的数据,n ≤ 10;

对于 30%的数据,n ≤ 25;

对于 70%的数据,n ≤ 1000,0 ≤ ℎi≤ 1000;

对于 100%的数据,1 ≤ n ≤ 100,000,0 ≤ hi≤ 1,000,000,所有的hi 随机生成,所有随机数服从某区间内的均匀分布。


 

正解贪心或DP;

开始想用DP,f[i][1/0],类似于导弹拦截O(nlogn)的做法,就是多了一维,结果打着打着自己就晕了...

贪心就简单多了,代码还超级短!!!

首先第一盆必须留,显然法,然后找第下一盆以确定第三手是找波峰还是找波谷;

当然这都依赖于一个显然的条件:波谷越低波峰越好找,波峰越高波谷越好找;

思想和导弹拦截O(nlogn)的做法挺像的,重点在于last的值的更新,看代码应该就懂了,以后有时间在补DP做法

贪心代码:

 1 //Greedy
 2 #include<iostream>
 3 #include<cstdio>
 4 
 5 const int maxn = 100000 + 5;
 6 int n, arr[maxn], last;
 7 bool f;
 8 
 9 int main()
10 {
11     scanf("%d", &n);
12     for(int i = 1; i <= n; i++)
13         scanf("%d", &arr[i]);
14     int ptr = 2, len = 2;
15     while(arr[1] == arr[ptr]) ptr++;
16     if(arr[1] > arr[ptr]) f = 1, last = arr[ptr];
17     else last = arr[ptr];
18     for(int i = ptr + 1; i <= n; i++)
19     {
20         if(f)//找波谷
21         {
22             if(arr[i] > last) last = arr[i], f ^= 1, len++;
23             else last = arr[i];//找不到更新波峰
24         }
25         else//找波峰
26         {
27             if(arr[i] < last) last = arr[i], f ^= 1, len++;
28             else last = arr[i];//找不到就更新波谷;
29         }
30     }
31     std:: cout << len;
32     return 0;
33 }
Greedy

转载于:https://www.cnblogs.com/DreifxP/p/7804990.html

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  | 博主筛选后可见
 
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