hdu2586 lca

lca裸题

#include <cstdio>
#include <cstring>
#include <string>
#include <algorithm>
#include <queue>
#include <map>
#include <cmath>
#include <iostream>
#define INF 0x3f3f3f3f
using namespace std;
const int N=40005;
vector< pair<int,int> > edge[N];
vector<int> que[N],num[N];
int vis[N],f[N],ans[N],dis[N];
int _find(int x)
{
    if(f[x]!=x)
        return f[x]=_find(f[x]);
    return f[x];
}
void dfs(int u,int pre)
{
    f[u]=u;
    int up=edge[u].size();
    for(int i=0; i<up; i++)
    {
        int v=edge[u][i].first,w=edge[u][i].second;
        if(v==pre) continue;
        dis[v]=dis[u]+w;
        dfs(v,u);
        f[v]=u;
    }
    vis[u]=1;
    up=que[u].size();
    for(int i=0; i<up; i++)
    {
        int v=que[u][i];
        if(vis[v])
            ans[num[u][i]]=dis[u]+dis[v]-2*dis[_find(v)];
    }
}
int main()
{
    int t;
    scanf("%d",&t);
    while(t--)
    {
        int n,m;
        scanf("%d%d",&n,&m);
        for(int i=1;i<=n;i++)
        {
            edge[i].clear();
            vis[i]=0;
            dis[i]=0;
            que[i].clear();
            num[i].clear();
        }
        for(int i=0; i<n-1; i++)
        {
            int u,v,w;
            scanf("%d%d%d",&u,&v,&w);
            edge[u].push_back(make_pair(v,w));
            edge[v].push_back(make_pair(u,w));
        }
        for(int i=0; i<m; i++)
        {
            int u,v;
            scanf("%d%d",&u,&v);
            que[u].push_back(v);
            que[v].push_back(u);
            num[u].push_back(i);
            num[v].push_back(i);
        }
        dfs(1,0);
        for(int i=0; i<m; i++)
            printf("%d\n",ans[i]);
    }
}
内容概要:本文档详细介绍了如何在MATLAB环境下实现CNN-GRU(卷积门控循环单元)混合模型的多输入单输出回归预测。项目旨在通过融合CNN的局部特征提取能力和GRU的时序依赖捕捉能力,解决传统序列模型在处理非线性、高维、多输入特征数据时的局限性。文档涵盖了项目背景、目标、挑战及其解决方案,强调了模型的轻量化、高效性和可视化全流程追踪等特点。此外,还提供了具体的应用领域,如智能电网负荷预测、金融时间序列建模等,并附有详细的代码示例,包括数据加载与预处理、网络结构定义、训练选项设置、模型训练与预测以及结果可视化等步骤。; 适合人群:对深度学习有一定了解,特别是对时间序列预测感兴趣的科研人员或工程师。; 使用场景及目标:①需要处理多输入单输出的非线性回归预测任务;②希望在MATLAB平台上快速实现并优化深度学习模型;③寻求一种高效、轻量且具有良好泛化能力的预测模型应用于实际场景中,如智能电网、金融分析、交通流量预测等领域。; 阅读建议:由于文档内容涉及较多的技术细节和代码实现,建议读者先熟悉CNN和GRU的基本概念,同时掌握MATLAB的基础操作。在阅读过程中,可以结合提供的代码示例进行实践操作,以便更好地理解和掌握CNN-GRU混合模型的构建与应用。
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