UESTC 1073

点击打开链接

秋实大哥与线段树

Time Limit: 3000/1000MS (Java/Others)     Memory Limit: 65535/65535KB (Java/Others)






“学习本无底,前进莫徬徨。” 秋实大哥对一旁玩手机的学弟说道。

秋实大哥是一个爱学习的人,今天他刚刚学习了线段树这个数据结构。

为了检验自己的掌握程度,秋实大哥给自己出了一个题,同时邀请大家一起来作。

秋实大哥的题目要求你维护一个序列,支持两种操作:一种是修改某一个元素的值;一种是询问一段区间的和。

Input

第一行包含一个整数 n n,表示序列的长度。

接下来一行包含 n n个整数 ai ai,表示序列初始的元素。

接下来一行包含一个整数 m m,表示操作数。

接下来 m m行,每行是以下两种操作之一:

1 x v : 表示将第x个元素的值改为v
2 l r : 表示询问[l,r]这个区间的元素和

1nmvai100000 1≤n,m,v,ai≤100000 1lrn 1≤l≤r≤n

Output

对于每一个 2 2  l l  r r操作,输出一个整数占一行,表示对应的答案。

Sample Input
3
1 2 3
3
2 1 2
1 1 5
2 1 2
Sample Output
3
7

线段树的题,树状数组基本也能解决。我觉得树状数组的做法比较简单,但是不太好理解。

下边是树状数组的解法。

#include<iostream>
#include<cstdio>
#include<cstring>
#include<algorithm>
#define ll long long
using namespace std;
ll a[500005],b[500005];
ll n,m;
ll lowbit(ll i)
{
    return i&(-i);
}
void update(ll i,ll val)//将元素i加上x 
{
    while(i<=n)
    {
        b[i]+=val;
        i+=lowbit(i);
    }
}
ll sum(ll i)//求元素1~i的和 
{
    ll res=0;
    while(i>0)
    {
        res+=b[i];
        i-=lowbit(i);
    }
    return res;
}
int main()
{
    cin>>n;
    for(int i=1;i<=n;i++)
    {
        cin>>a[i];
        update(i,a[i]);
    }
    cin>>m;
    while(m--)
    {
        ll flag=0,x=0,y=0;//这儿必须清0,否则会超时
        cin>>flag>>x>>y;
        if(flag==1)
        {
            ll temp=y-a[x];//处理修改后的数与原数的差
            a[x]=y;
            update(x,temp);
        }
        else if(flag==2)
        {
            ll temp=sum(y)-sum(x-1);
            cout<<temp<<endl;
        }
    }
    return 0;
}




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
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