取余最长路 51Nod - 1624

本文介绍了一种通过枚举右端点并使用集合进行中间结果优化的算法实现方案。该算法利用了set的数据结构特性,实现了对特定数值操作的最大值求解。适用于需要高效处理大量数据并进行快速查找的应用场景。

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

点击打开链接

枚举右端点 同时把已经扫过的左端点加入set 然后利用set二分找加和取余后的最大值

#include <bits/stdc++.h>
using namespace std;
#define ll long long

set <ll> st;
ll mat[4][100010],sum[4][100010];
ll mod;
int n;

int main()
{
    ll val,ans;
    int i,j;
    while(scanf("%d%lld",&n,&mod)!=EOF)
    {
        for(i=1;i<=3;i++)
        {
            for(j=1;j<=n;j++)
            {
                scanf("%lld",&mat[i][j]);
                mat[i][j]%=mod;
                sum[i][j]=(sum[i][j-1]+mat[i][j])%mod;
            }
        }
        st.clear();
        ans=0;
        for(i=1;i<=n;i++)
        {
            val=(sum[1][i]-sum[2][i-1]+mod)%mod;
            st.insert(val);
            val=(sum[2][i]-sum[3][i-1]+sum[3][n]+mod)%mod;
            set <ll>::iterator it=st.lower_bound(mod-val);
            if(it!=st.begin())
            {
                it--;
                ans=max(ans,(val+*it)%mod);
            }
        }
        printf("%lld\n",ans);
    }
    return 0;
}

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指预测模型。研究选2018年3月1日至2019年3月26日共391天的据作为样本,通过“试凑法”确定优隐结点目,建立三层BP神经网络模型对CCi30指收盘价进行预测。论文详细介绍了据预处理、模型构建、训练及评估过程,包括据归一化、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变化趋势。此外,文章还讨论了隐层节点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