STL常用函数(在更)

博客主要介绍了C++中priority_queue的使用。默认是大根堆,创建小根堆需引入<functional>类库。还提到了C++11新加入的emplace函数,它插入元素更高效。最后给出了详细资料链接和应用实例,如POJ 3252 Fence Repair(霍夫曼树)。

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

1. priority_queue

#include <queue>

默认大根堆!如果创建小根堆需要#include <functional> 类库

priority_queue<int, vector<int>, greater<int> > que1;  //functional 头文件自带的 (greater),小根堆
priority_queue<int, vector<int>, less<int> > que2;      //functional 头文件自带的

emplace函数:C++11新加入的函数,插入元素,和push功能相同,但是不需要内存移动,更高效

详细资料:http://www.cplusplus.com/reference/queue/priority_queue/

应用实例:POJ 3252 Fence Repair (霍夫曼树)

#include <iostream>
#include <vector>
#include <algorithm>
#include <functional>
#include <queue>
using namespace std;

long long cost;
int a, b;
int main() {
	int N, len;
	while (cin >> N) {
		priority_queue<int, vector<int>, greater<int> > que;
		cost = 0;
		for (int i = 0; i < N; ++i) {
			cin >> len;
			que.push(len);
		}
		while (que.size() > 1) {
			a = que.top();
			que.pop();
			b = que.top();
			que.pop();
			a = a + b;
			cost += a;
			que.push(a);
		}
		cout << cost << endl;
	}
	return 0;
}

 

 

 

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