HDU 5806
给一个长度为n的数列,求有多少个区间满足第k大的数大于等于m

将不小于m的数看作1,剩下的数看0,那么只要区间内1的个数不小于k则可行,枚举左端点
枚举左端点,遇到右端点满足条件即可ans+=n-右端点+1
复杂度O(nT)
尺取。

#include <iostream>
#include <cstdio>
#include <cstring>
#include <cmath>
#include <algorithm>
#include <vector>
#include <queue>
#include <stack>
#include <map>
using namespace std;
typedef long long LL;
#define MM(a,x)  memset(a,x,sizeof(a));
//#define mp make_pair
#define pb push_back
#define x first
#define y second
int mod=1e9+7;
int a[200009],sum[200009];
int main()
{
#ifdef LOCAL
    freopen("in.txt","r",stdin);
    //debug=1;
#endif // LOCAL
    int T;
    scanf("%d",&T);
    while(T--)
    {
       int n,m,k;
       scanf("%d%d%d",&n,&m,&k);
       for(int i=1;i<=n;i++)
       {
            scanf("%d",&a[i]);
            a[i]=(a[i]>=m);
            sum[i]=sum[i-1]+a[i];
       }
       int i=1,j=1;
       LL ans=0;
       while(i<=n&&j<=n)
       {
           if(sum[j]-sum[i-1]>=k) i++,ans+=n-j+1;
           else
           {
               j++;
           }
       }
       cout<<ans<<endl;
    }
    return 0;
}
内容概要:本文介绍了基于贝叶斯优化的CNN-LSTM混合神经网络在时间序列预测中的应用,并提供了完整的Matlab代码实现。该模型结合了卷积神经网络(CNN)在特征提取方面的优势与长短期记忆网络(LSTM)在处理时序依赖问题上的强大能力,形成一种高效的混合预测架构。通过贝叶斯优化算法自动调参,提升了模型的预测精度与泛化能力,适用于风电、光伏、负荷、交通流等多种复杂非线性系统的预测任务。文中还展示了模型训练流程、参数优化机制及实际预测效果分析,突出其在科研与工程应用中的实用性。; 适合人群:具备一定机器学习基基于贝叶斯优化CNN-LSTM混合神经网络预测(Matlab代码实现)础和Matlab编程经验的高校研究生、科研人员及从事预测建模的工程技术人员,尤其适合关注深度学习与智能优化算法结合应用的研究者。; 使用场景及目标:①解决各类时间序列预测问题,如能源出力预测、电力负荷预测、环境数据预测等;②学习如何将CNN-LSTM模型与贝叶斯优化相结合,提升模型性能;③掌握Matlab环境下深度学习模型搭建与超参数自动优化的技术路线。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,重点关注贝叶斯优化模块与混合神经网络结构的设计逻辑,通过调整数据集和参数加深对模型工作机制的理解,同时可将其框架迁移至其他预测场景中验证效果。
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
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