UVa 103 - Stacking Boxes (LIS,打印路径)

本文详细解析UVa103题目,探讨如何通过排序和比较n维图形的边长,找出满足特定条件的最长序列及其路径。包括算法实现和路径打印策略。

链接:UVa 103

题意:给n维图形,它们的边长是{d1,d2,d3...dn},  对于两个n维图形,求满足当中一个的全部边长

依照随意顺序一一相应小于还有一个的边长,这种最长序列的个数,而且打印随意一个最长子串的路径,

比如:a(9,5,7,3),b(6,10,8,2),c(9,7,5,1),a和b不满足,但c和b满足

分析:首先对没组边长从小到大排序,再对各组图形按最小边排序,再求最大子串,

对于打印路径,能够逆序循环,也可递归求解

#include<cstdio>
#include<algorithm>
using namespace std;
int dp[35],path[35],num,m,k;
struct stu
{
    int a[12],id;
}s[35];
int cmp(struct stu s1,struct stu s2)
{
    return s1.a[1]<s2.a[1];
}
/*void back_path1(int i)
{
    if(path[i]!=i)
        back_path1(path[i]);
    printf("%d",s[i].id);
    num++;
    if(num!=m)
        printf(" ");
    else
        printf("\n");
}*/
/*void back_path2(int i)
{
    if(k--){
        back_path2(path[i]);
        printf("%d",s[i].id);
        num++;
        if(num!=m)
            printf(" ");
        else
            printf("\n");
    }
}*/
int main()
{
    int i,j,n,pos,b[1005];
    while(scanf("%d%d",&m,&n)!=EOF){
        for(i=1;i<=m;i++){
            s[i].id=i;
            for(j=1;j<=n;j++)
                scanf("%d",&s[i].a[j]);
            sort(s[i].a+1,s[i].a+n+1);      //对每一个图形的边长排序
        }
        sort(s+1,s+m+1,cmp);   //对各个图形之间,按最小边长的大小排序
        for(i=1;i<=m;i++){
            dp[i]=1;
            path[i]=i;
            for(j=1;j<i;j++){
                for(k=1;k<=n;k++)
                    if(s[j].a[k]>=s[i].a[k])
                        break;
                if(k==n+1&&dp[j]+1>dp[i]){
                    dp[i]=dp[j]+1;
                    path[i]=j;
                }
            }
        }
        pos=1;
        for(i=2;i<=m;i++)
            if(dp[i]>dp[pos])
                pos=i;
        m=dp[pos];
        printf("%d\n",m);
        b[1]=s[pos].id;       //先把最后一个编号增加
        i=2;
        for(j=pos-1;j>=1;j--){          //逆序循环求路径
            for(k=1;k<=n;k++)
                if(s[j].a[k]>=s[pos].a[k])
                    break;
            if(k==n+1&&dp[j]+1==dp[pos]){
                b[i++]=s[j].id;
                dp[pos]--;
            }
            if(dp[pos]==1)
                break;
        }
        for(j=i-1;j>1;j--)
            printf("%d ",b[j]);
        printf("%d\n",b[1]);
        /*num=0;            //递归方法1            
        back_path1(pos);*/
        /*num=0;            //递归方法2
        k=m;
        back_path2(pos);*/
    }
    return 0;
}


### LightGBM-LSTM Stacking 集成方法分析 #### 优点 Stacking 作为一种层次化的集成学习方法,能够有效融合 LightGBM 和 LSTM 这类不同建模范式的模型。LightGBM 擅长处理结构化数据,具备高效、低内存消耗和快速训练的优势,而 LSTM 在处理时间序列依赖关系方面表现优异,适用于具有时序特性的任务。通过将这两种模型的预测结果作为输入特征,训练一个元学习器(如随机森林、逻辑回归等),可以进一步提升模型的泛化能力和预测精度。这种集成方式在多输出回归任务中尤其有效,例如非洲土壤属性预测项目中,就采用了多模型融合策略来提升模型鲁棒性和准确性[^3]。 此外,Stacking 的灵活性在于可以引入多个基模型,并通过元模型自动学习它们的最优组合方式,从而避免手动设定权重所带来的主观偏差。 #### 缺点 尽管 Stacking 在提升模型性能方面表现出色,但也存在一定的局限性。首先,模型复杂度显著增加,不仅需要训练多个基模型,还需额外训练元学习器,导致计算资源消耗较大。尤其在 LightGBM 与 LSTM 并行训练时,由于 LSTM 的训练周期较长,整体训练时间可能显著增加。其次,Stacking 对数据划分和元模型选择敏感,若训练集划分不均或元模型选择不当,可能导致过拟合或泛化能力下降[^1]。 此外,Stacking 的超参数调优过程更为复杂,例如基模型的参数、元模型的学习率、特征组合方式等,均需进行系统优化,增加了模型调参的难度。 #### 应用场景 LightGBM-LSTM Stacking 集成方法适用于结构化数据与时间序列数据混合的任务。例如在工单分配、设备故障预测等场景中,数据可能同时包含静态特征(如设备型号、历史故障次数)和动态特征(如传感器时序数据)。通过 LightGBM 提取静态特征的高阶关系,LSTM 捕捉时序模式,再通过元模型融合两者输出,可有效提升预测准确性。 在非洲土壤属性预测任务中,也采用了类似的多模型融合策略,结合不同回归模型的预测结果,构建出更稳健的预测系统。该方法同样适用于金融预测、工业设备状态监测、智能运维等需要融合多源异构数据的场景。 #### 示例代码:LightGBM-LSTM Stacking 融合 ```python from sklearn.ensemble import RandomForestRegressor import numpy as np # 假设 lightgbm_pred 和 lstm_pred 是两个模型在验证集上的预测结果 X_stack = np.column_stack((lightgbm_pred, lstm_pred)) y_true = test_labels # 使用随机森林作为元学习器 meta_model = RandomForestRegressor() meta_model.fit(X_stack, y_true) final_pred = meta_model.predict(X_stack) ``` 上述代码展示了如何将 LightGBM 和 LSTM 的预测结果进行 Stacking 融合,并使用随机森林作为元学习器提升最终预测性能。 ---
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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