ACM集训队作业------codeforce 1073C

本文解析了CodeForces C题的解决方案,通过利用曼哈顿距离和二分查找算法,寻找修改字符串使机器人到达指定位置所需的最小区间长度。

传送门:http://codeforces.com/problemset/problem/1073/C

二分专题有两个作业,上一个子段最大平均值刚刚弄个大概,现在再搞搞这题吧

题目大意:就是给你一组字符串,按照这个字符串进行操作机器人可以走到一个地点,问你如何修改这个字符串使得修改的区间最小,让机器人走到给定的地点。

在这不得不感慨一下SYF大佬真的强,代码打的贼快,这题是利用曼哈顿距离

昨晚难道因为没想通本题的判断条件本题失眠了??

今天早晨自己有推了一下,瞬间感觉思路清晰。

题解:

       如果按照给定的字符串来走的话会到达一个点,但是你需要走到题目给定的点,那么你就需要修改题目中所给的字符串使得机器人可以走到要求到达的点,但是题目还要求找到最小的修改长度,为了不超时,那么我就可以用二分查找来找到我需要改动的最小的区间长度。如何判断这个长度满足最小距离呢?我们可以从字符串的开头不断的平移最小长度个距离,找到当前相对于起点的偏移量,找到当前的位置和需要走到的位置求解他们的曼哈顿距离,因为在哪个区间中我可以任意修改机器人的方向,也就是说机器人可以来回往复的走,但是如果能够走到想要到达的距离,那么我就满足修改区间的长度大于等于他们的曼哈顿距离,并且他们的坐标要同奇偶,例如我在(-1,0)需要走到(2,0)那显然不能走到。

代码:

#include<iostream>
#include<cstring>
#include<algorithm>
#include<cmath>
using namespace std;
string s;
int tarx,tary;
int n;
int x[200005],y[200005];
bool Is_ok(int len)
{
	for(int i=1;i<=n-len+1;i++)
	{
		int nowx=x[i-1]+x[n]-x[i+len-1];
		int nowy=y[i-1]+y[n]-y[i+len-1];
		int dis=abs(nowx-tarx)+abs(nowy-tary);
		if((len-dis)%2==0&&len>=dis)	return true;
	}
	return false;
}
int main()
{
	cin>>n;
	cin>>s;
	cin>>tarx>>tary;
	for(int i=1;i<=n;i++)
	{
		if(s[i-1]=='R')
		{
			x[i]=1;
		}
		else if(s[i-1]=='U')
		{
			y[i]=1;
		}
		else if(s[i-1]=='L')
		{
			x[i]=-1;
		}
		else if(s[i-1]=='D')
		{
			y[i]==1;
		}
	}
	for(int i=1;i<=n;i++)
	{
		x[i]=x[i]+x[i-1];
		y[i]=y[i]+y[i-1]; 
	}
	int left=0,right=n;
	int mid;
	int ans=-1;
	while(left<=right)
	{
		mid=(left+right)/2;
		if(Is_ok(mid)){
			ans=mid;
			right=mid-1;
		}
		else left=mid+1;
	}
	cout<<ans<<endl;
	return 0;
}

 

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
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