(尺取法)poj3320 Jessica's Reading Problem

传送门:poj3320 Jessica's Reading Problem

#include<iostream>
#include<cstdio>
#include<set>
#include<map>
using namespace std;
const int maxp=1e6+10;
int P;
int a[maxp];

void solve(){
	set<int> all;
	for(int i=0;i<P;i++)
		all.insert(a[i]);
	int n=all.size();
	
	//利用尺取法来求解 
	int s=0,t=0,num=0,res=P;
	map<int,int> cnt;
	while(true){
		while(t<P&&num<n){
			if(cnt[a[t++]]++==0){
				num++;    //出现新的知识点 
			}
		}
		if(num<n) break;
		res=min(res,t-s);
		if(--cnt[a[s++]]==0){
			//某个知识点的出现次数为0了
			num--; 
		}
	}
	printf("%d\n",res);
}

int main(){
	scanf("%d",&P);
	for(int i=0;i<P;i++)
		scanf("%d",&a[i]);
	solve();
	return 0;
}

 

内容概要:本文介绍了基于SMA-BP黏菌优化算法优化反向传播神经网络(BP)进行多变量回归预测的项目实例。项目旨在通过SMA优化BP神经网络的权重和阈值,解决BP神经网络易陷入局部最优、收敛速度慢及参数调优困难等问题。SMA算法模拟黏菌寻找食物的行为,具备优秀的全局搜索能力,能有效提高模型的预测准确性和训练效率。项目涵盖了数据预处理、模型设计、算法实现、性能验证等环节,适用于多变量非线性数据的建模和预测。; 适合人群:具备一定机器学习基础,特别是对神经网络和优化算法有一定了解的研发人员、数据科学家和研究人员。; 使用场景及目标:① 提升多变量回归模型的预测准确性,特别是在工业过程控制、金融风险管理等领域;② 加速神经网络训练过程,减少迭代次数和训练时间;③ 提高模型的稳定性和泛化能力,确保模型在不同数据集上均能保持良好表现;④ 推动智能优化算法与深度学习的融合创新,促进多领域复杂数据分析能力的提升。; 其他说明:项目采用Python实现,包含详细的代码示例和注释,便于理解和二次开发。模型架构由数据预处理模块、基于SMA优化的BP神经网络训练模块以及模型预测与评估模块组成,各模块接口清晰,便于扩展和维护。此外,项目还提供了多种评价指标和可视化分析方法,确保实验结果科学可信。
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