Nwerc2009 Divisible Subsequence(入门oj Problem 1193)

博客介绍了如何解决数列中找到能被N整除的子序列问题,从暴力求解到利用前缀和优化,逐步降低时间复杂度,最后给出O(n)的AC代码。讨论了前缀和性质及其在判断子序列整除性中的应用,以及处理特殊情况的技巧。
摘要由CSDN通过智能技术生成

第二次发题解了,受到各位神犇的鼓舞,蒟蒻依旧。

题目原地址:https://begin.lydsy.com/JudgeOnline/problem.php?id=1193

题目描述
给出一个数列,希望你从中找出一些连续的子数列(有时也称之为子串,相对子数列,子串是可以去掉一些元素的),要求子序列的元素之和能被N整除。

输入
第一行给出数字D,N。D代表数列一共有多少个元素,N代表被整除的数
下面一行给出D个数字,每个数字范围在[1, 1000000000]
1 <= d < = 1000000 ,1<= N <=50000

输出
一共有多少个子序列满足条件

样例输入
3 3
1 2 3

样例输出
3

样例解释
你可以取[1,2],[1,2,3],[3]这三个子数列

看到这个题目,像我一样的蒟蒻(包括小部分神犇)可能优先想到暴力,的确暴力写起来是没有任何难度的。那我们直接上代码:

程序lvl.1

scanf("%d%d",&d,&n);
for(int i=1;i<=d;i
使用优化算法,以优化VMD算法的惩罚因惩罚因 (α) 和分解层数 (K)。 1、将量优化(QPSO)算法与变分模态分解(VMD)算法结合 VMD算法背景: VMD算法是一种自适应信号分解算法,主要用于分解信号为不同频率带宽的模态。 VMD的关键参数包括: 惩罚因 α:控制带宽的限制。 分解层数 K:决定分解出的模态数。 QPSO算法背景: 量优化(QPSO)是一种基于粒优化(PSO)的一种改进算法,通过量行为模型增强全局搜索能力。 QPSO通过粒的量行为使其在搜索空间中不受位置限制,从而提高算法的收敛速度与全局优化能力。 任务: 使用QPSO优化VMD中的惩罚因 α 和分解层数 K,以获得信号分解的最佳效果。 计划: 定义适应度函数:适应度函数根据VMD分解的效果来定义,通常使用重构信号的误差(例如均方误差、交叉熵等)来衡量分解的质量。 初始化QPSO粒:定义粒的位置和速度,表示 α 和 K 两个参数。初始化时需要在一个合理的范围内为每个粒分配初始位置。 执行VMD分解:对每一组 α 和 K 参数,运行VMD算法分解信号。 更新QPSO粒:使用QPSO算法更新粒的状态,根据适应度函数调整粒的搜索方向和位置。 迭代求解:重复QPSO的粒更新步骤,直到满足终止条件(如适应度函数达到设定阈值,或最大迭代次数)。 输出优化结果:最终,QPSO算法会返回一个优化的 α 和 K,从而使VMD分解效果最佳。 2、将极光粒(PLO)算法与变分模态分解(VMD)算法结合 PLO的优点与适用性 强大的全局搜索能力:PLO通过模拟极光粒的运动,能够更高效地探索复杂的多峰优化问题,避免陷入局部最优。 鲁棒性强:PLO在面对高维、多模态问题时有较好的适应性,因此适合海上风电时间序列这种非线性、多噪声的数据。 应用场景:PLO适合用于优化VMD参数(α 和 K),并将其用于风电时间序列的预测任务。 进一步优化的建议 a. 实现更细致的PLO更新策略,优化极光粒的运动模型。 b. 将PLO优化后的VMD应用于真实的海上风电数据,结合LSTM或XGBoost等模型进行风电功率预测。
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