stl优化-3

#include<bits/stdc++.h>
using namespace std;
const int N=200000;
int color[N+100];
int f[N+100];
int knum[N+100],book[N+100];
void init(int n)
{
    for(int i=1;i<=n;i++) f[i]=i;
}
int found(int x)
{
    if(x==f[x]) return x;
    int p=x;
    while(p!=f[p])
    {
        f[x]=f[f[x]];
        p=f[x];
    }
    return p;
}
void Union(int x,int y)
{
    int tx=found(x),ty=found(y);
    if(tx!=ty) f[tx]=ty;
}
vector<int>point[N+100];
int main()
{
    int n,m,k;
    scanf("%d%d%d",&n,&m,&k);
    init(n);
    for(int i=1;i<=n;i++) scanf("%d",&color[i]);
    for(int i=0;i<m;i++)
    {
        int x,y;
        scanf("%d%d",&x,&y);
        Union(x,y);
    }
    //for(int i=1;i<=n;i++) printf("%d ",f[i]);cout<<endl;//优化found后的数组结果
    int ans=0;
    /*
    for(int i=1;i<=n;i++)
    {
       if(!book[i])
       {
            memset(knum,0,sizeof(knum));
            int father=found(i),maxn=-1,sum=0;
            for(int j=i;j<=n;j++)
            {
                 if(!book[j]&&found(j)==father)
                 {
                     book[j]=1;
                     sum++;
                     int temp=++knum[color[j]];
                     if(temp>maxn){maxn=temp;}
                 }
            }
            ans+=sum-maxn;
       }
    }
    */
    int num[N+100];//stl_vector,map的优化。
    int cn=0;
    for(int i=1;i<=n;i++)
    {
        int to=found(i);
        point[to].push_back(i);
        if(to==i) {num[cn++]=i;}
    }
    for(int i=0;i<cn;i++)
    {
        int mx=0,siz=point[num[i]].size();
        map<int,int>p;
        for(int j=0;j<siz;j++)
        {
            mx=max(mx,++p[color[point[num[i]][j]]]);
        }
        ans+=siz-mx;
    }
    printf("%d\n",ans);
    return 0;
}
Socks
STL分解-LSTM是一种深度学习模型,它结合了STL(Seasonal and Trend decomposition using Loess)分解和LSTM(Long Short-Term Memory)模型的特点。在这种方法中,首先使用STL分解将时间序列数据分解为趋势、季节性和残差三个部分。然后,将分解后的趋势和季节性数据作为LSTM模型的输入,用于预测未来的时间序列值。通过结合STL分解和LSTM模型,STL分解-LSTM模型可以更好地捕捉时间序列数据的长期依赖和季节性变化,从而提高预测准确性。引用中的图7展示了ISTL-LSTM模型和STL-LSTM模型的预测结果的比较,而引用中的图6展示了不同深度学习模型(包括ISTL-LSTM,STL-LSTM,LSTM和GRU)在不同超参数设置下的预测效果比较。另外,引用给出了STL分解-LSTM模型的超参数设置,其中包括隐藏层数、神经元数量、训练迭代次数、batch size、dropout率、激活函数、损失函数和优化器的选择。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *2* *3* [《一种改进的STL-LSTM模型:用于COVID-19疫情期间每日公交客流预测》](https://blog.csdn.net/zuiyishihefang/article/details/123320971)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT3_1"}}] [.reference_item style="max-width: 100%"] [ .reference_list ]
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