leetcode395 Longest Substring with At Least K Repeating Characters

本文介绍了一种使用尺取法求解字符串中恰好包含i种字母且每种字母出现次数不少于k的最长子串长度的方法。通过循环遍历不同字母数量,实现了对特定条件下最长子串的有效查找。

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

思路:

尺取法。

循环i:1~26,分别计算恰好包含i种字母并且每种字母出现的次数大于等于k个的最长子串长度。

没法直接使用尺取法,因为不满足区间单调性,但是使用如上的方法却是可以的,因为子串中包含的字母种类数是满足区间单调性的。

实现:

 1 #include <bits/stdc++.h>
 2 using namespace std;
 3 class Solution 
 4 {
 5 public:
 6     int longestSubstring(string s, int k) 
 7     {
 8         int n = s.length();
 9         if (k == 1) return n;
10         int ans = 0;
11         vector<int> num(26, 0);
12         for (int i = 1; i <= 26; i++)
13         {
14             fill(num.begin(), num.end(), 0);
15             int slow = 0, fast = 0, cnt = 0;
16             set<char> st;
17             while (fast < n)
18             {
19                 while (fast < n)
20                 {
21                     if (num[s[fast] - 'a'] == 0) cnt++;
22                     num[s[fast] - 'a']++;
23                     st.insert(s[fast]);
24                     fast++;
25                     if (cnt == i && fast < n && num[s[fast] - 'a'] == 0)
26                         break;
27                 }
28                 bool flg = true;
29                 for (auto it: st)
30                     if (num[it - 'a'] < k) { flg = false; break; }
31                 if (flg) ans = max(ans, fast - slow);
32                 if (fast == n) break;
33                 while (slow < fast && cnt == i)
34                 {
35                     num[s[slow] - 'a']--;
36                     if (num[s[slow] - 'a'] == 0) { cnt--; st.erase(s[slow]); }
37                     slow++;
38                 }
39             }
40         }
41         return ans;
42     }
43 };
44 int main()
45 {
46     string s = "aabbccdcccde"; int k = 2;
47     cout << Solution().longestSubstring(s, k) << endl;
48     return 0;
49 }

 

转载于:https://www.cnblogs.com/wangyiming/p/9614954.html

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