[Cerc2012]Non-boring sequences

本文介绍了一种算法,用于判断一个给定序列是否为不无聊序列。所谓不无聊序列,是指序列的所有子区间都存在一个独一无二的数字。文章详细阐述了解决方案,包括使用预处理数组来快速查找符合条件的元素,并通过分治策略进行高效判断。

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

Description

定义一个序列是不无聊的,当且仅当它的所有子区间都存在一个独一无二的数字,即每个子区间里至少存在一个数字只出现过一次。给定一个长度为\(N(N\leq2\times 10^5)\)的序列,请判断它是不是无聊的。

Solution

对于每个位置\(i\),先求出\(pre[i],nxt[i]\)表示在\(i\)之前第一个和在\(i\)之后第一个权值等于\(val[i]\)的位置。

如果一个区间\([l,r]\)不是无聊的,一个必要条件是存在\(i\in [l,r]\)满足\(pre[i]<l\;\land \;nxt[i]>r\)。这样所有跨过\(i\)的区间都是不无聊的,接着判断\([l,i)\)\((i,r]\)就行了。

这启发我们分治解决问题。

每次在\([l,r]\)内找到一个满足上述条件的\(i\),然后递归处理两边的区间。

复杂度看上去貌似很爆炸,因为没有每次从中间切开的话就不能保证递归层数是\(O(\log)\)级别了。

然而有个很玄妙的结论是\(T(n)=max\left\{ T(k)+T(n-k)+min(k,n-k)\right\}\approx O(n\log n)\)

这里证明写的很清晰。

说到底,我们不断拆分这个过程,分开后就不会再合并,而且每次拆开的复杂度就是拆成的两个序列中较小的一个,很自然地想到把这个过程倒过来,那么这就是一个启发式合并的过程,显然时间复杂度就是\(O(n\log n)\)

所以我们从两边向中间扫,如果遇到了第一个满足上述条件的 \(i\) 就在这里递归下去。

本地记得开栈!

Code

#include<set>
#include<map>
#include<cmath>
#include<queue>
#include<cctype>
#include<vector>
#include<cstdio>
#include<cstring>
#include<iostream>
#include<algorithm>
using std::min;
using std::max;
using std::swap;
using std::vector;
const int N=2e5+5;
typedef double db;
typedef long long ll;
#define pb(A) push_back(A)
#define pii std::pair<int,int>
#define mp(A,B) std::make_pair(A,B)

int n,val[N],las[N];
int nxt[N],pre[N],g[N];

int getint(){
    int X=0,w=0;char ch=0;
    while(!isdigit(ch))w|=ch=='-',ch=getchar();
    while( isdigit(ch))X=X*10+ch-48,ch=getchar();
    if(w) return -X;return X;
}

bool solve(int l,int r){
    if(l>r) return 1;
    if(l==r) return 1;
    for(int i=l;i<=r;i++){
        if(pre[i]<l and nxt[i]>r)
            return solve(l,i-1) and solve(i+1,r);
    }
    return 0;
}

signed main(){
    int T=getint();
    while(T--){
        int n=getint();
        for(int i=1;i<=n;i++) g[i]=val[i]=getint();
        std::sort(g+1,g+1+n);int len=std::unique(g+1,g+1+n)-g-1;
        for(int i=1;i<=n;i++){
            val[i]=std::lower_bound(g+1,g+1+len,val[i])-g;
            pre[i]=las[val[i]];las[val[i]]=i;
        } for(int i=1;i<=len;i++) las[i]=n+1;
        for(int i=n;i;i--){
            nxt[i]=las[val[i]];
            las[val[i]]=i;
        } for(int i=1;i<=len;i++) las[i]=0;
        solve(1,n)?printf("non-boring\n"):printf("boring\n");
    } return 0;
}

转载于:https://www.cnblogs.com/YoungNeal/p/9810201.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