线段树模板(区间最小值优化 版) (RMQ with Shifts)

本文介绍了一种使用线段树解决RMQ(Range Minimum Query)问题的方法。通过递归构造线段树,并实现了更新节点与查询指定区间的最小值功能。文章提供了完整的C++代码实现,包括初始化树结构、更新节点值以及查询区间最小值。

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

题意:

#include <iostream>
#include <stdio.h>
#include <string.h>
#include <stdlib.h>
#include <fstream>
using namespace std;
const int maxn =100010;
int RMQ[maxn<<2];
int str[maxn];
int N,M;
char ctr[35];
int total[35],cnt;

int build(int first,int second,int root)
{//建树(初始化)
    if(first==second)
    {
        RMQ[root]=str[first];
        str[first]=root;//记录原数组在线段树中的位置
        return RMQ[root];
    }
    if(first<second)
    {
        int L=root*2;
        return RMQ[root]=min(build(first,(first+second)/2,L),build((first+second)/2+1,second,L+1));
    }
    return 10000000;
}

void updata(int x,int data)
{//更新节点
    RMQ[x]=data;
    int n=x/2;
    int key;
    while(n)
    {
        RMQ[n]=min(RMQ[n*2],RMQ[n*2+1]);
        n=n/2;
    }
}

int query(int a,int b,int root,int l,int r)
{//查询 [l,r]是要查询的区间,[a,b]是root维护的区间
    if(a>r || b<l)
        return 10000000;
    if(l<=a && b<=r)
        return RMQ[root];
    else
    {
        int Left=(a+b)/2;
        if(Left>=r)
            return query(a,Left,root*2,l,r);
        if(Left<l)
            return query(Left+1,b,root*2+1,l,r);
        return min(query(a,Left,root*2,l,r),query(Left+1,b,root*2+1,l,r));
    }
    return 1000000;
}

void solve()
{
    int len=strlen(ctr);
    cnt=0;
    memset(total,0,sizeof(total));
    for(int i=6; i<len; i++)
    {
        if(ctr[i]==')')
            break;
        if(ctr[i]==',')
        {
            cnt++;
            continue;
        }
        int t=ctr[i]-'0';
        total[cnt]=t+total[cnt]*10;
    }
    if(ctr[0]=='q')
         printf("%d\n",query(1,N,1,total[0],total[1]));
    else
    {
        int key=RMQ[str[total[0]]];
        for(int i=cnt; i>=0; i--)
        {
            int z=str[total[i]];
            int q=RMQ[z];
            updata(z,key);
            key=q;
        }
    }
}

int main()
{
    scanf("%d%d",&N,&M);
    for(int i=1; i<=N; i++)
        scanf("%d",&str[i]);
    build(1,N,1);
    for(int i=0; i<M; i++)
    {
        scanf("%s",ctr);
        solve();
    }
    return 0;
}



内容概要:本文档详细介绍了一个基于MATLAB实现的电力负荷预测项目,该项目运用遗传算法(GA)优化支持向量回归(SVR)和支持向量机(SVM)模型的超参数及特征选择。项目旨在解决电力系统调度、发电计划、需求侧响应等多个应用场景中的关键问题,特别是在应对高比例可再生能源接入带来的非线性、非平稳负荷预测挑战。文中涵盖了从数据接入、特征工程、模型训练到部署上线的全流程,包括详细的代码示例和GUI设计,确保方案的可复现性和实用性。 适用人群:具备一定编程基础,尤其是熟悉MATLAB语言和机器学习算法的研发人员;从事电力系统调度、电力市场交易、新能源消纳等相关领域的工程师和技术专家。 使用场景及目标:①通过构建面向小时级别的滚动预测,输出高分辨率负荷轨迹,为日内与日前滚动调度提供边际成本最小化的依据;②在负荷高峰和供给紧张时,通过价格信号或直接负荷控制实施需求侧响应,提升削峰效率并抑制反弹;③为灵活性资源(调峰机组、储能、可中断负荷)提供更清晰的出清路径,降低弃风弃光率,提升系统整体清洁度;④帮助市场主体更准确地评估边际出清价格变化,提高报价成功率与收益稳定性,同时降低由预测偏差带来的风险敞口;⑤在运维与审计场景中,对预测产生的原因进行说明,保障业务侧与监管侧的可追溯性。 阅读建议:此资源不仅提供了完整的代码实现和GUI设计,更注重于理解GA优化过程中涉及到的数据处理、特征构造、模型选择及评估等核心步骤。因此,在学习过程中,建议结合实际案例进行实践,并深入研究每个阶段的具体实现细节,特别是适应度函数的设计、超参数空间的定义以及多样性维护机制的应用。此外,关注项目中关于数据对齐、缺失值处理、特征标准化等方面的最佳实践,有助于提高模型的鲁棒性和泛化能力。
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