poj 1032 Parliament 数学

[color=blue][size=medium][list]
[*]题目描述: [url]http://poj.org/problem?id=1032[/url]

[*]题目大意: 议会有N 个议员, 将他(她)们分成多组. 每次会议每组出一个代表, 且每次会议的代表都不完全相同. 求得一种分组情况, 使得能够开会的次数最多. 说白了就是求N 的一种划分 N = a1 + a2 + ... + a(t-1) + a(t), 使得M = a1 * a2 * ... * a(t - 1) * a(t) 最大.
[/list][/size][/color]
[size=medium][list]
关于该题的一些规则:

[*]1. 1 < a1 < 4;
假设a1 = 1; 那么一个数乘以a1, 乘积并不变大, 还不如把a1 加给其他元素。
假设a1 >= 4;那么a1 可以划分为2 和 (a1 - 2), 2 * (a1 - 2) 一定大于a1.
[*]2. 划分(假设升序)中,相邻元素只差最大为2, 这样的相邻对最多只有一对。
假设有a(k) - a(k - 1) > 2; 则这两个元素一定可以换成(a(k) + 1) 和 (a(k + 1) - 1), 使得乘积更大。所以相邻元素只差不大于2, 或是有且只有一对相邻元素只差为2。

假设有两对相邻元素只差等于2。 那么同样可以调整这4 个元素大小,使得乘积更大。
[/list]

鉴于以上规律,对于该题给出以下解决方案:
假设sum( n ) 为整数从2 到n 的和, sum( i ) <= N, 且sum( i + 1 ) > N, t = N - sum( i );
[list][*]如果t = i; 则把t 分成i 个1, 从2 到 i 这 i - 1 个元素分别加1, 最后剩下的一个1 加给最后一个元素. 所以, 最终序列为:3, 4, ... , i - 1, i, i + 2
[*]如果t < i;则把t 分成t 个1, 分别加给从i 开始,往下的t 个元素. 所以最终序列为:
2, ... , (i - 2) + 1, (i - 1) + 1, i + 1.(从右到左有t 个加1项 )[/list][/size]

#include <iostream>
using namespace std;

int main() {
int n;
while(cin>>n) {
int i = 1;
int sum = 0;
while(sum + i + 1 <= n) {
i++;
sum += i;
}
//cout<<i<<endl;
int t = n - sum;
if(i == t) {
for(int j = 3; j <= i; j++)
cout<<j<<" ";
cout<<i + 2<<endl;
}
else if(t == 0) {
int m = 2;
while(m < i)
cout<<m++<<" ";
cout<<i<<endl;
}
else {
int m = 2;
while(m <= i - t)
cout<<m++<<" ";
m = i - t + 2;
while(m <= i)
cout<<m++<<" ";
cout<<i + 1<<endl;
}
}
}
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