poj2533Longest Ordered Subsequence LIS(优化)

关注

原创最新推荐文章于 2026-05-02 07:06:01 发布 569 阅读 AI 写同款· GEO 优化 ›

机器学习预测材料性能：从特征工程到SHAP可解释性分析机器学习在材料科学中的应用，核心在于将复杂的材料性能预测问题转化为数据驱动的建模任务。其基本原理是通过算法从历史数据中学习特征与目标属性之间的映射关系。这项技术的价值在于能够大幅加速新材料的发现与设计周期，降低传统“试错法”的高昂成本。在工程实践中，它广泛应用于预测如形成能、带隙、弹性模量以及居里温度等关键材料性能。具体到磁性材料领域，居里温度的准确预测对于永磁体和自旋电子器件设计至关重要。本项目深入探讨了如何利用特征工程从材料成分与结构中构建有效描述符，并借助SHAP这一可解释性工具，揭示模型决策背后的物阅读详情

#include <iostream>
#include <cstring>
#include <cstdio>
using namespace std;
const int N=1010;
const int inf=0x3fffffff;
int n,a[N],dp[N];

int binary_search(int aim[],int d,int length){
    int l=0,r=length,mid;
    while(l!=r){
        mid=(l+r)>>1;
        if(d == aim[mid]) return mid;
        else if(d < aim[mid]) r=mid;
        else l=mid+1;
    }
    return l;
}
int main()
{
    cin>>n;
    for(int i=1;i<=n;i++) scanf("%d",a+i);
    int len=1,j=1;
    dp[0]=-1;
    for(int i=1;i<=n;i++){
        dp[len]=inf;//与l=mid+1对应
        j=binary_search(dp,a[i],len);
        if(j == len) len++;
        dp[j]=a[i];
    }
    cout<<len-1<<endl;
    return 0;
}

收录于