PAT 乙级练习题1012. 数字分类 (20)

本文介绍了一个整数分类算法,该算法能够对一系列正整数进行特定条件下的分类处理,并计算五种不同类型的数值特征,包括能被5整除的偶数之和、被5除后余1的数字交错求和等。
给定一系列正整数,请按要求对数字进行分类,并输出以下5个数字:

A1 = 能被5整除的数字中所有偶数的和;
A2 = 将被5除后余1的数字按给出顺序进行交错求和,即计算n1-n2+n3-n4...;
A3 = 被5除后余2的数字的个数;
A4 = 被5除后余3的数字的平均数,精确到小数点后1位;
A5 = 被5除后余4的数字中最大数字。
输入格式:

每个输入包含1个测试用例。每个测试用例先给出一个不超过1000的正整数N,随后给出N个不超过1000的待分类的正整数。数字间以空格分隔。

输出格式:

对给定的N个正整数,按题目要求计算A1~A5并在一行中顺序输出。数字间以空格分隔,但行末不得有多余空格。

若其中某一类数字不存在,则在相应位置输出“N”。

输入样例1:
13 1 2 3 4 5 6 7 8 9 10 20 16 18
输出样例1:
30 11 2 9.7 9
输入样例2:
8 1 2 4 5 6 7 9 16
输出样例2:

N 11 2 N 9


需要注意的是:


当A[1]因为有加有减的原因自己变回0时,不应该是N,而是输出0.。

A2 = 将被5除后余1的数字按给出顺序进行交错求和,即计算n1-n2+n3-n4…; 如果存在这些n,但最后结果是0。。就有A2=0但却是存在的而不是N。


#include<stdio.h>
#include<math.h>
int main()
{ 
	int a[1000];
	int n,i,j,cnt;
	scanf("%d",&n);
	int flag=0;
	for(i=0;i<n;i++)
	{
		scanf("%d",&a[i]);
	}
	int A[5]={0};
	i=0;
	for(j=0;j<n;j++)
	{
		if(a[j]%5==0&&a[j]%2==0)//A1
		{
			A[0]+=a[j];
		}
		if(a[j]%5==1)//A2
		{
			A[1]=A[1]+pow(-1,i)*a[j];
			i++;
			flag=1;
		}
		if(a[j]%5==2)//A3
		{
			A[2]++;	
		}	
		if(a[j]%5==3)//A4
		{
			A[3]+=a[j];
			cnt++;	
		}
		if(a[j]%5==4)//A5
		{
			if(a[j]>A[4])
			{
				A[4]=a[j];
			}
		}
	}
	for(i=0;i<5;i++)
	{
		if(i==1&&flag==1) //当A[1]因为有加有减的原因自己变回0时,不应该是N,而是输出
		{
			printf("%d ",A[i]);
			continue;
		}
		if(A[i]==0)
		{
			printf("N");
			if(i+1<5)
			{
			printf(" ");
			}
			continue;
		}
		if(i==3)
		{
			printf("%.1f ",(double)A[i]/cnt);
			continue;
		}
		printf("%d",A[i]);
		if(i+1<5)
		{
			printf(" ");
		}
		
	}
	return 0;  
}




内容概要:本文详细介绍了一个基于Java和Vue的联邦学习隐私保护推荐系统的设计与实现。系统采用联邦学习架构,使用户数据在本地完成模型训练,仅上传加密后的模型参数或梯度,通过中心服务器进行联邦平均聚合,从而实现数据隐私保护与协同建模的双重目标。项目涵盖完整的系统架构设计,包括本地模型训练、中心参数聚合、安全通信、前后端解耦、推荐算法插件化等模块,并结合差分隐私与同态加密等技术强化安全性。同时,系统通过Vue前端实现用户行为采集与个性化推荐展示,Java后端支撑高并发服务与日志处理,形成“本地训练—参数上传—全局聚合—模型下发—个性化微调”的完整闭环。文中还提供了关键模块的代码示例,如特征提取、模型聚合、加密上传等,增强了项目的可实施性与工程参考价值。 适合人群:具备一定Java和Vue开发基础,熟悉Spring Boot、RESTful API、分布式系统或机器学习相关技术,从事推荐系统、隐私计算或全栈开发方向的研发人员。 使用场景及目标:①学习联邦学习在推荐系统中的工程落地方法;②掌握隐私保护机制(如加密传输、差分隐私)与模型聚合技术的集成;③构建高安全、可扩展的分布式推荐系统原型;④实现前后端协同的个性化推荐闭环系统。 阅读建议:建议结合代码示例深入理解联邦学习流程,重点关注本地训练与全局聚合的协同逻辑,同时可基于项目架构进行算法替换与功能扩展,适用于科研验证与工业级系统原型开发。
源码来自:https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
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