2697 宝石串(前缀和)

本文介绍了一个基于前缀和算法的绿宝石序列分析方法。通过计算序列中绿宝石(或红宝石)的前缀和,可以有效地找出最长的有效宝石子序列。代码使用C++实现,并详细展示了如何遍历序列进行计算。

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

是一个前缀和的题目,先求出绿宝石(红的也行)的前缀和,再for循环一遍即可。

#include<iostream>

#include<cstdio>
#include<cmath>
#include<cstring>
#include<string>
using namespace std;
int dis[1000001],maxx;
string a;
int main()
{
cin>>a;
int l=a.size()-1;//宝石串长度。
for(int i=0;i<=l;++i)
{
if(a[i]=='G')
dis[i]=dis[i-1]+1;
else dis[i]=dis[i-1];
}//求前缀和。
for(int i=0;i<=l;++i)
{
for(int j=i;j>=0;--j)
{
if(a[j]=='G')//注意,如果是G就要再加上1。
{
if((dis[i]-dis[j]+1)*2==(i-j+1))
   {
   maxx=max(maxx,i-j+1);//取最大。
   }
}
else 
{
if((dis[i]-dis[j])*2==(i-j+1))
   {
   maxx=max(maxx,i-j+1);
   }
}
}
}
cout<<maxx;
return 0;
}
内容概要:本文针对国内加密货币市场预测研究较少的现状,采用BP神经网络构建了CCi30指数预测模型。研究选取2018年3月1日至2019年3月26日共391天的数据作为样本,通过“试凑法”确定最优隐结点数目,建立三层BP神经网络模型对CCi30指数收盘价进行预测。论文详细介绍了数据预处理、模型构建、训练及评估过程,包括数据归一化、特征工程、模型架构设计(如输入层、隐藏层、输出层)、模型编译与训练、模型评估(如RMSE、MAE计算)以及结果可视化。研究表明,该模型在短期内能较准确地预测指数变化趋势。此外,文章还讨论了隐层节点数的优化方法及其对预测性能的影响,并提出了若干改进建议,如引入更多技术指标、优化模型架构、尝试其他时序模型等。 适合人群:对加密货币市场预测感兴趣的研究人员、投资者及具备一定编程基础的数据分析师。 使用场景及目标:①为加密货币市场投资者提供一种新的预测工具和方法;②帮助研究人员理解BP神经网络在时间序列预测中的应用;③为后续研究提供改进方向,如数据增强、模型优化、特征工程等。 其他说明:尽管该模型在短期内表现出良好的预测性能,但仍存在一定局限性,如样本量较小、未考虑外部因素影响等。因此,在实际应用中需谨慎对待模型预测结果,并结合其他分析工具共同决策。
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