codeforces-835C. Star sky(维护二维前缀和,dp)

本文介绍了一种算法,该算法可以在一个100x100的地图上查询特定时刻星星的总亮度。地图上的星星亮度随时间变化,通过预先计算累积和优化查询效率,实现了快速查询任意矩形区域内所有星星的总亮度。

 

 传送门

在不大于100*100的地图上有星星,每个星星的亮度随时间变化,它们初始亮度不同,但能达到的最高亮度相同,为C。初始亮度为p,t时刻亮度为(p+t)%(C+1)

输入

n q c(为别代表星星数目,查询次数,最高亮度)

n行

x y s(星星的横纵坐标和初始亮度)

q行

t x1 y1 x2 y2(查询t时刻矩阵内及边界上星星的总亮度,其中(x1,y1)是矩阵左上角, (x2,y2)是矩阵右下角)

 1 #include <cstdio>
 2 #include <cstring>
 3 #include <iostream>
 4 #include <algorithm>
 5 #define INF 0x3f3f3f3f
 6 #define MOD 1000000007
 7 using namespace std;
 8 typedef long long LL;
 9 
10 const int maxc = 15;
11 const int maxn = 110;
12 int cnt[maxc][maxn][maxn];
13 
14 int N, Q, C;
15 
16 void init() {
17     for (int k = 0; k <= C; k++) {
18         for (int i = 1; i <= 100; i++) {
19             for (int j = 1; j <= 100; j++) {
20                 cnt[k][i][j] += cnt[k][i - 1][j] + cnt[k][i][j - 1] - cnt[k][i - 1][j - 1];
21             }
22         }
23     }
24 }
25 
26 int solve(int t, int x1, int y1, int x2, int y2) {
27     int res = 0;
28     for (int k = 0; k <= C; k++) {
29         int tmp = cnt[k][x2][y2] + cnt[k][x1 - 1][y1 - 1] - cnt[k][x1 - 1][y2] - cnt[k][x2][y1 - 1];
30         res = res + ((k + t) % (C + 1)) * tmp;
31     }
32     return res;
33 }
34 
35 int main() {
36     scanf("%d%d%d", &N, &Q, &C);
37     int x, y, s;
38     for (int i = 1; i <= N; i++) {
39         scanf("%d%d%d", &x, &y, &s);
40         cnt[s][x][y]++;
41     }
42     init();
43     int t, x1, x2, y1, y2;
44     for (int i = 1; i <= Q; i++) {
45         scanf("%d%d%d%d%d", &t, &x1, &y1, &x2, &y2);
46         printf("%d\n", solve(t, x1, y1, x2, y2));
47     }
48     return 0;
49 }

 

转载于:https://www.cnblogs.com/xFANx/p/8411356.html

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