bzoj 3262: 陌上花开

本文介绍了一种解决三维偏序问题的方法,采用CDQ分治结合树状数组进行高效处理。首先按x坐标排序,再在分治过程中按y坐标归并排序,同时使用树状数组统计z坐标,实现左区间点对右区间点的贡献计算。

https://www.lydsy.com/JudgeOnline/problem.php?id=3262

三维偏序问题,cdq分治和树套树都能解决,所以还是cdq分治比较爽

我们先按照x排序,然后cdq分治过程中,按照y的关键字归并排序,而且只有左半部分的z加入树状数组统计,右半部分归并时询问树状数组中小于等于它的z有多少个点,就可以加入当前点的答案里了。

也就是每次归并排序,都只计算左区间中的点对右区间的贡献。

#include<bits/stdc++.h>
#define maxl 200010
using namespace std;

int n,k,nn;
struct node
{
	int x,y,z;
	int cnt,id;
	friend bool operator < (const node &a,const node &b)
	{
		if(a.x==b.x)
		{
			if(a.y==b.y)
				return a.z<b.z;
			return a.y<b.y;
		}
		return a.x<b.x;	
	}
	friend bool operator == (const node &a,const node &b)
	{
		return a.x==b.x && a.y==b.y && a.z==b.z;
	}
}a[maxl],t[maxl];
int b[maxl],cnt[maxl],ans[maxl];

inline void prework()
{
	scanf("%d%d",&n,&k);
	for(int i=1;i<=n;i++)
		scanf("%d%d%d",&a[i].x,&a[i].y,&a[i].z);
	sort(a+1,a+1+n);
	nn=0;
	for(int i=1;i<=n;i++)
	if(a[i]==a[i-1])
		a[nn].cnt++;
	else
		a[++nn]=a[i],a[nn].cnt=1,a[nn].id=nn;
}

inline void add(int i,int x)
{
	while(i<=k)
	{
		b[i]+=x;
		i+=i&-i;
	}
}

inline int sum(int i)
{
	int ret=0;
	while(i)
	{
		ret+=b[i];
		i-=i&-i;
	}
	return ret;
}

inline void cdq(int l,int r)
{
	if(l==r)
		return;
	int mid=(l+r)>>1;
	cdq(l,mid);
	cdq(mid+1,r);
	int i=l,j=mid+1,k=l;
	while(i<=mid && j<=r)
	{
		if(a[i].y<=a[j].y)
		{
			add(a[i].z,a[i].cnt);
			t[k++]=a[i++];
		}
		else
		{
			ans[a[j].id]+=sum(a[j].z);
			t[k++]=a[j++];
		}
	}
	while(i<=mid)
	{
		add(a[i].z,a[i].cnt);
		t[k++]=a[i++];
	}
	while(j<=r)
	{
		ans[a[j].id]+=sum(a[j].z);
		t[k++]=a[j++];
	}
	for(int i=l;i<=mid;i++)
		add(a[i].z,-a[i].cnt);
	for(int i=l;i<=r;i++)
		a[i]=t[i];
}

inline void mainwork()
{
	cdq(1,nn);
	for(int i=1;i<=nn;i++)
	{
		ans[a[i].id]+=a[i].cnt-1;
		cnt[ans[a[i].id]]+=a[i].cnt;
	}
}

inline void print()
{
	for(int i=0;i<n;i++)
		printf("%d\n",cnt[i]);
}

int main()
{
	prework();
	mainwork();
	print();
	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