7.21 暑假ACM成长之路 day3

本文详细介绍了C++中的几种重要容器,包括vector、set、map和string。解释了它们的特点、应用场景及常用操作方法。

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

今天学习的内容有: vector set map string。


vertor:

vector可以认为是一个不定长的数组

使用前需要添加头文件:

# include <vector >
using namespace std;

初始化定义方法:

vector <int >ve;
vector <node > ve;
vector <char > ve;
vector <int > V[ MAXN ]

一些vector的函数:

ve. clear () //移除容器中所有数据。
ve. push_back (i) //存入数据i.
ve. seiz () //返回数组的大小。
ve. begin () //返回迭代器的第一个数据。
ve.end () //返回迭代器的最后一个数据。

set:

set即是集合 满足集合相应的条件,具有唯一性。

内部使用平衡二叉树,效率较高,插入与删除的复杂度都
是O(log(n))级别,内部会自动排序。

头文件:

# include <set >
using namespace

初始化:

set <int >se;
set <char > se;
set <int >S[ MAXN ]

相关函数:

se. begin () 返回指向第一个元素的迭代器
se. clear () 清除所有元素
se. count () 返回某个值元素的个数
se. empty () 如果集合为空,返回true
se.end () 返回指向最后一个元素之后的迭代器,不是最后一个元素
se. erase () 删除集合中的元素
se. find () 返回一个指向被查找到元素的迭代器
se. insert () 在集合中插入元素
se. max_size () 返回集合能容纳的元素的最大限值
se. size () 集合中元素的数目
se. swap () 交换两个集合变量
 

迭代器:

迭代器
 

for(set <int >:: iterator z = se. begin (); z != se.end (); {
}

例题  https://mp.youkuaiyun.com/postedit/81142185
map:

C++中map提供的是一种键值对容器,里面的数据都是成对出现的:每一对中的第一个值称之为关键字(key),
每个关键字只能在map中出现一次;第二个称之为该关键字的对应值。
内部使用的是平衡二叉树,所以插入的复杂度
是O(long(n))级别的。

https://blog.youkuaiyun.com/u014096244/article/details/39081321

string:

https://blog.youkuaiyun.com/tengfei461807914/article/details/52203202

内容概要:本文介绍了基于Python实现的SSA-GRU(麻雀搜索算法优化门控循环单元)时间序列预测项目。项目旨在通过结合SSA的全局搜索能力和GRU的时序信息处理能力,提升时间序列预测的精度和效率。文中详细描述了项目的背景、目标、挑战及解决方案,涵盖了从数据预处理到模型训练、优化及评估的全流程。SSA用于优化GRU的超参数,如隐藏层单元数、学习率等,以解决传统方法难以捕捉复杂非线性关系的问题。项目还提供了具体的代码示例,包括GRU模型的定义、训练和验证过程,以及SSA的种群初始化、迭代更新策略和适应度评估函数。; 适合人群:具备一定编程基础,特别是对时间序列预测和深度学习有一定了解的研究人员和技术开发者。; 使用场景及目标:①提高时间序列预测的精度和效率,适用于金融市场分析、气象预报、工业设备故障诊断等领域;②解决传统方法难以捕捉复杂非线性关系的问题;③通过自动化参数优化,减少人工干预,提升模型开发效率;④增强模型在不同数据集和未知环境中的泛化能力。; 阅读建议:由于项目涉及深度学习和智能优化算法的结合,建议读者在阅读过程中结合代码示例进行实践,理解SSA和GRU的工作原理及其在时间序列预测中的具体应用。同时,关注数据预处理、模型训练和优化的每个步骤,以确保对整个流程有全面的理解。
内容概要:本文档详细介绍了一个基于冠豪猪优化算法(CPO)优化反向传播神经网络(BP)并结合核密度估计(KDE)的多变量回归预测项目。项目旨在解决多变量回归预测中的非线性建模与参数优化瓶颈,通过CPO算法优化BP网络权重和偏置参数,显著提升训练过程的全局搜索能力和预测准确率。同时,利用KDE进行残差分布建模,实现对预测结果的概率密度估计和误差分析。项目涵盖了数据预处理、模型设计、参数优化、误差建模与性能评估等全流程,形成了一个系统化的多变量回归预测解决方案,适用于工业制造、金融分析、环境监测和医疗健康等多个领域。 适合人群:具备一定编程基础,对机器学习特别是神经网络和优化算法有一定了解的研发人员和数据科学家。 使用场景及目标:①提升多变量回归预测准确性,特别是在处理复杂非线性数据时;②加速神经网络训练收敛速度,提高模型的实时响应能力;③实现预测误差的概率密度估计,为决策提供风险评估支持;④增强模型的鲁棒性和泛化能力,确保在不同数据环境下保持稳定输出;⑤推动群智能优化算法在神经网络训练中的应用,探索其在多变量回归任务中的具体效果;⑥支持跨领域复杂系统的智能预测需求,满足不同行业对高精度智能预测和决策支持的要求。 其他说明:项目提供了详细的模型架构和技术实现步骤,包括Python代码示例,帮助用户理解和实践基于CPO-BP-KDE的多变量回归预测模型。项目强调了CPO算法的全局优化能力、BP神经网络的强拟合能力以及KDE的误差概率建模能力,确保模型在实际应用中的高效性和可靠性。此外,项目还讨论了如何应对多变量回归任务中的挑战,如非线性建模、参数选择、计算复杂度和模型解释性等。
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