数位dp模板

本文介绍了一种基于记忆化搜索的区间求解方法,主要用于解决特定区间内数字满足条件的问题。通过拆分问题为solve(r)-solve(l-1)或solve(r)-solve(l)+judge(l),并记录整个区间(如[0,999])的重复使用情况,提高了解决问题的效率。以CF628D为例,展示了具体的代码实现。

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

本质是记忆化搜索,一般求解区间[l,r]内有多少数字满足要求。我们可以拆分问题为solve(r)-solve(l-1)或solve(r)-solve(l)+judge(l)。注意到整个区间(例如[0,999])在很多地方重复使用,所以对它记录。

例题:cf628D

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
#include<bits/stdc++.h>
using namespace std;
const int MOD=1e9+7;
const int maxn=2e3+1;
const int maxm=2e3+1;
char a[maxn],b[maxn];
int num[maxn];
int m,d;
#define ll long long
ll dp[maxn][maxm];
int len;

int judge(const char* s,int lena){
    int mod=0;
    for(int i=1;i<=lena;i++){
        mod=(mod*10+s[i])%m;
        if((i&1)==0&&s[i]!=d){
            return 0;
        }
        if((i&1)&&s[i]==d)
            return 0;
    }
    return (mod==0);
}
int val[maxn];
ll dfs(int pos,int mod,bool limit){
    if(pos==len+1){
        /*if(mod==0){
            for(int i=1;i<pos;i++)
                printf("%d",val[i]);
            puts("");
        }*/
        return mod==0;
    }
    if(!limit&&dp[pos][mod]!=-1)
        return dp[pos][mod];
    int up=(limit?num[pos]:9);
    ll res=0;
    for(int i=0;i<=up;i++){
        int tmod=(mod*10+i)%m;  //模拟除法
        if((pos&1)&&(i==d))
            continue;
        if(!(pos&1)&&(i!=d))
            continue;
        //val[pos]=i;
        res=(res+dfs(pos+1,tmod,limit&&i==up))%MOD;
    }
    if(!limit)      //当处于非limit的时候,ans才是整个区间的值
        dp[pos][mod]=res;
    return res;
}

ll solve(const char* s,int lena){
    for(int i=1;i<=lena;i++)
        num[i]=s[i];
    len=lena;
    memset(dp,-1,sizeof(dp));
    return dfs(1,0,true)%MOD;
}

int main(){
    cin>>m>>d;
    cin>>(a+1);
    cin>>(b+1);
    int lena=strlen(a+1),lenb=strlen(b+1);
    for(int i=1;i<=lena;i++)
        a[i]-='0';
    for(int i=1;i<=lenb;i++)
        b[i]-='0';
    cout<<((solve(b,lenb)-solve(a,lena)+judge(a,lena))%MOD+MOD)%MOD<<endl;      //注意+MOD的操作,因为取MOD后可能会导致solve(a)>solve(b)
    return 0;
}
内容概要:本文详细探讨了基于樽海鞘算法(SSA)优化的极限学习机(ELM)在回归预测任务中的应用,并与传统的BP神经网络、广义回归神经网络(GRNN)以及未优化的ELM进行了性能对比。首先介绍了ELM的基本原理,即通过随机生成输入层与隐藏层之间的连接权重及阈值,仅需计算输出权重即可快速完成训练。接着阐述了SSA的工作机制,利用樽海鞘群体觅食行为优化ELM的输入权重和隐藏层阈值,从而提高模型性能。随后分别给出了BP、GRNN、ELM和SSA-ELM的具体实现代码,并通过波士顿房价数据集和其他工业数据集验证了各模型的表现。结果显示,SSA-ELM在预测精度方面显著优于其他三种方法,尽管其训练时间较长,但在实际应用中仍具有明显优势。 适合人群:对机器学习尤其是回归预测感兴趣的科研人员和技术开发者,特别是那些希望深入了解ELM及其优化方法的人。 使用场景及目标:适用于需要高效、高精度回归预测的应用场景,如金融建模、工业数据分析等。主要目标是提供一种更为有效的回归预测解决方案,尤其是在处理大规模数据集时能够保持较高的预测精度。 其他说明:文中提供了详细的代码示例和性能对比图表,帮助读者更好地理解和复现实验结果。同时提醒使用者注意SSA参数的选择对模型性能的影响,建议进行参数敏感性分析以获得最佳效果。
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

打赏作者

Absoler

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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