算法和数据操作篇——动态规划和贪婪算法

本文探讨了剪绳子问题的动态规划解决方法,通过详细的代码解析,阐述了如何在时间复杂度O(n^2)和空间复杂度O(n)下找到使绳子各段乘积最大的切割方案。

面试题14:剪绳子原题链接

class Solution {
public:
    int cuttingRope(int n) {
    	/*
    	思路:剪长度为n的绳子,第一次剪完后两段绳子长度变为了k和n-k,此时绳子的数量变为了2,满足了题干中的m>1的限制,所以剪完后的两段绳子可以继续剪,也可以不继续剪,取决于怎样能够最终的乘积最大,如果需要继续剪,则子问题和剪长度为n的绳子的求解是一样的,具体三种情况见下面的注释。
    	时间复杂度 O(n^2)
    	空间复杂度 O(n)
    	*/
        vector<int> dp(n+1, 0);
        dp[1] = 1;
        for(int i = 2;i <= n; i++){
            for(int j = 1;j < i; j++){
                // 三种情况
                // 1. 当前的最优解来自切割后的两段的最优解
                // 2. 当前的最优解来自左边的最优解*右边不继续切 (不再考虑左边不继续切*右边的最优解,两者等价)
                // 3. 当前的最优解来自左边不继续切*右边不继续切
                int m1 = max(dp[i], dp[j]*dp[i-j]);   
                int m2 = max(dp[j]*(i-j), j * (i-j));
                dp[i] = max(m1, m2);
            }
        }
        return dp[n];
    }
};
【多变量输入超前多步预测】基于CNN-BiLSTM的光伏功率预测研究(Matlab代码实现)内容概要:本文介绍了基于CNN-BiLSTM模型的多变量输入超前多步光伏功率预测方法,并提供了Matlab代码实现。该研究结合卷积神经网络(CNN)强大的特征提取能力与双向长短期记忆网络(BiLSTM)对时间序列前后依赖关系的捕捉能力,构建了一个高效的深度学习预测模型。模型输入包含多个影响光伏发电的气象与环境变量,能够实现对未来多个时间步长的光伏功率进行精确预测,适用于复杂多变的实际应用场景。文中详细阐述了数据预处理、模型结构设计、训练流程及实验验证过程,展示了该方法相较于传统模型在预测精度稳定性方面的优势。; 适合人群:具备一定机器学习深度学习基础,熟悉Matlab编程,从事新能源预测、电力系统分析或相关领域研究的研发人员与高校研究生。; 使用场景及目标:①应用于光伏电站功率预测系统,提升电网调度的准确性与稳定性;②为可再生能源并网管理、能量存储规划及电力市场交易提供可靠的数据支持;③作为深度学习在时间序列多步预测中的典型案例,用于科研复现与教学参考。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,重点关注数据归一化、CNN特征提取层设计、BiLSTM时序建模及多步预测策略的实现细节,同时可尝试引入更多外部变量或优化网络结构以进一步提升预测性能。
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