阿牛的EOF牛肉串

 

今年的ACM暑期集训队一共有18人,分为6支队伍。其中有一个叫做EOF的队伍,由04级的阿牛、XC以及05级的COY组成。在共同的集训生活中,大家建立了深厚的友谊,阿牛准备做点什么来纪念这段激情燃烧的岁月,想了一想,阿牛从家里拿来了一块上等的牛肉干,准备在上面刻下一个长度为n的只由"E" "O" "F"三种字符组成的字符串(可以只有其中一种或两种字符,但绝对不能有其他字符),阿牛同时禁止在串中出现O相邻的情况,他认为,"OO"看起来就像发怒的眼睛,效果不好。

你,NEW ACMer,EOF的崇拜者,能帮阿牛算一下一共有多少种满足要求的不同的字符串吗?

PS: 阿牛还有一个小秘密,就是准备把这个刻有 EOF的牛肉干,作为神秘礼物献给杭电五十周年校庆,可以想象,当校长接过这块牛肉干的时候该有多高兴!这里,请允许我代表杭电的ACMer向阿牛表示感谢!

再次感谢!

Input

输入数据包含多个测试实例,每个测试实例占一行,由一个整数n组成,(0<n<40)。

Output

对于每个测试实例,请输出全部的满足要求的涂法,每个实例的输出占一行。

Sample Input

1
2

Sample Output

3
8

从动态规划的角度来看 : 

每个阶段有三种状态,‘E’,‘O’, 'F' ,用dp[i][0],dp[i][1],dp[i][2]表示

该阶段的最优值由dp[i][0],dp[i][1],dp[i][2]决定。

该阶段的某个状态由上个阶段的所有的状态决定

状态转移方程:

dp[i][0]=dp[i-1][0]+dp[i-1][1]+dp[i-1][2];

dp[i][1]=dp[i-1][0]+dp[i-1][1]+dp[i-1][2];

dp[i][2]=dp[i-1][0]+dp[i-1][1];

#include <iostream>
#include <cstdio>
using namespace std;
typedef long long int LL;
LL ans[45];
LL dp[45][4];
void f()
{
    LL i;
    dp[1][0]=1;
    dp[1][1]=1;
    dp[1][2]=1;
    ans[1]=3;
    for(i=2;i<45;i++)
    {
        dp[i][0]=dp[i-1][0]+dp[i-1][1]+dp[i-1][2];
        dp[i][1]=dp[i-1][0]+dp[i-1][1]+dp[i-1][2];
        dp[i][2]=dp[i-1][0]+dp[i-1][1];
        ans[i]=dp[i][0]+dp[i][1]+dp[i][2];
    }
}

int main()
{
    LL n;
    f();
    while(scanf("%lld",&n)!=EOF)
    {
        printf("%lld\n",ans[n]);
    }
    return 0;
}

 

从递推的角度考虑:

求递推式

先考虑第n个阶段时,

第n-1个阶段有两种情况:

1,‘E’或‘F’。

则第n-1个阶段有2种情况

则第n个阶段有2种情况

a=f(n-1)*2;

2,‘O’

则第n-1个阶段有1种情况

则第n个阶段有2种情况

 b=f(n-2)*2

综上:f(n)= f(n-1)*2 + f(n-2)*2

 

#include <iostream>
#include <cstdio>
using namespace std;
typedef long long int LL;
int main()
{
    LL a,i,ans[60]= {0};
    ans[1]=3;
    ans[2]=8;
    for(i=3; i<51; i++)
    {
        ans[i]=2*ans[i-1]+2*ans[i-2];
    }
    while(scanf("%lld",&a)!=EOF)
    {
        printf("%lld\n",ans[a]);
    }
    return 0;
}

 

内容概要:本文提出了种基于融合鱼鹰算法和柯西变异的改进麻雀优化算法(OCSSA),用于优化变分模态分解(VMD)的参数,进而结合卷积神经网络(CNN)与双向长短期记忆网络(BiLSTM)构建OCSSA-VMD-CNN-BILSTM模型,实现对轴承故障的高【轴承故障诊断】基于融合鱼鹰和柯西变异的麻雀优化算法OCSSA-VMD-CNN-BILSTM轴承诊断研究【西储大学数据】(Matlab代码实现)精度诊断。研究采用西储大学公开的轴承故障数据集进行实验验证,通过优化VMD的模态数和惩罚因子,有效提升了信号分解的准确性与稳定性,随后利用CNN提取故障特征,BiLSTM捕捉时间序列的深层依赖关系,最终实现故障类型的智能识别。该方法在提升故障诊断精度与鲁棒性方面表现出优越性能。; 适合群:具备定信号处理、机器学习基础,从事机械故障诊断、智能运维、工业大数据分析等相关领域的研究生、科研员及工程技术员。; 使用场景及目标:①解决传统VMD参数依赖工经验选取的问题,实现参数自适应优化;②提升复杂工况下滚动轴承早期故障的识别准确率;③为智能制造与预测性维护提供可靠的技术支持。; 阅读建议:建议读者结合Matlab代码实现过程,深入理解OCSSA优化机制、VMD信号分解流程以及CNN-BiLSTM网络架构的设计逻辑,重点关注参数优化与故障分类的联动关系,并可通过更换数据集进步验证模型泛化能力。
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
 
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