51nod 1279 扔盘子(单调栈)

博客围绕井中落盘问题展开,给出井和盘子的宽度信息,要求计算最终落到井内的盘子数量。介绍了输入输出格式及样例,提出模拟盘子进井时间复杂度大,可建立数组big,用栈保存井每层宽度,还提及用0x3f3f3f3f表示无穷大及memset函数的使用。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

有一口井,井的高度为N,每隔1个单位它的宽度有变化。现在从井口往下面扔圆盘,如果圆盘的宽度大于井在某个高度的宽度,则圆盘被卡住(恰好等于的话会下去)。
盘子有几种命运:1、掉到井底。2、被卡住。3、落到别的盘子上方。
盘子的高度也是单位高度。给定井的宽度和每个盘子的宽度,求最终落到井内的盘子数量。
在这里插入图片描述
如图井和盘子信息如下:
井:5 6 4 3 6 2 3
盘子:2 3 5 2 4
最终有4个盘子落在井内。
本题由 @javaman 翻译。
收起
输入
第1行:2个数N, M中间用空格分隔,N为井的深度,M为盘子的数量(1 <= N, M <= 50000)。
第2 - N + 1行,每行1个数,对应井的宽度Wi(1 <= Wi <= 10^9)。
第N + 2 - N + M + 1行,每行1个数,对应盘子的宽度Di(1 <= Di <= 10^9)
输出
输出最终落到井内的盘子数量。
输入样例
7 5
5
6
4
3
6
2
3
2
3
5
2
4
输出样例
4

思路总结:如果要模拟盘子进井,那么时间复杂度肯定非常大,不妨建立一个数组big,其中big[i]表示0-i层中能通过的最大宽度(也就是其中最窄的那一层,有点像木桶效应),井每层的宽度用栈来保存,给出一个盘子的宽度x,将x和能到达栈底的最大宽度比较,如果x大于到达栈底的最大宽度,那么说明盘子不能到达栈底,直接将栈底弹出去,继续将x和新的栈底宽度比较,如果x小于等于的话说明,盘子刚好能到达这一层,那么就将落在井内的盘子数加一,并且将这一层弹出去(盘子已经落在这一层,后续的盘子不能到达这一层,形成新的栈底)。
关于memset(big, inf, sizeof(big))
如果我们想要将某个数组清零,我们通常会使用memset(a,0,sizeof(a))这样的代码来实现(方便而高效),但是当我们想将某个数组全部赋值为无穷大时(例如解决图论问题时邻接矩阵的初始化),就不能使用memset函数而得自己写循环了(写这些不重要的代码真的很痛苦),我们知道这是因为memset是按字节操作的,它能够对数组清零是因为0的每个字节都是0,如果我们将无穷大设为0x3f3f3f3f,那么奇迹就发生了,0x3f3f3f3f的每个字节都是0x3f!所以要把一段内存全部置为无穷大,我们只需要memset(a,0x3f,sizeof(a))。
使用0x3f3f3f3f表示无穷大

#include<iostream>
#include<algorithm>
#include<stack>
#include<cstring>
using namespace std;
const int maxn = 50010;
const int inf = 0x3f3f3f3f;//无穷大,非常高效的一种表达方法
int main()
{
	int n, m;
	stack<int> width;
	int big[maxn];
	memset(big, inf, sizeof(big));
	cin >> n >> m;
	for (int i =1; i <= n; i++)
	{
		int x;
		cin >> x;
		width.push(x);
		big[i] = min(big[i - 1], x);
	}
	int ans = 0;
	for (int i = 1; i <= m; i++)
	{
		int x;
		cin >> x;
		while (width.size() && big[width.size()] < x)
			width.pop();
		if (width.size())
		{
			ans++;
			width.pop();
		}
	}
	cout << ans << endl;
	getchar();
	getchar();

}
内容概要:本文针对国内加密货币市场预测研究较少的现状,采用BP神经网络构建了CCi30指数预测模型。研究选取2018年3月1日至2019年3月26日共391天的数据作为样本,通过“试凑法”确定最优隐结点数目,建立三层BP神经网络模型对CCi30指数收盘价进行预测。论文详细介绍了数据预处理、模型构建、训练及评估过程,包括数据归一化、特征工程、模型架构设计(如输入层、隐藏层、输出层)、模型编译与训练、模型评估(如RMSE、MAE计算)以及结果可视化。研究表明,该模型在短期内能较准确地预测指数变化趋势。此外,文章还讨论了隐层节点数的优化方法及其对预测性能的影响,并提出了若干改进建议,如引入更多技术指标、优化模型架构、尝试其他时序模型等。 适合人群:对加密货币市场预测感兴趣的研究人员、投资者及具备一定编程基础的数据分析师。 使用场景及目标:①为加密货币市场投资者提供一种新的预测工具和方法;②帮助研究人员理解BP神经网络在时间序列预测中的应用;③为后续研究提供改进方向,如数据增强、模型优化、特征工程等。 其他说明:尽管该模型在短期内表现出良好的预测性能,但仍存在一定局限性,如样本量较小、未考虑外部因素影响等。因此,在实际应用中需谨慎对待模型预测结果,并结合其他分析工具共同决策。
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