leetcode 67 Add Binary

本文介绍了一个C++实现的算法,该算法可以将两个二进制字符串进行相加操作,并返回一个新的二进制字符串结果。通过逐位计算并考虑进位的方式实现了字符串的加法。

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

转载自:https://yq.aliyun.com/articles/3855

class Solution {
public:
    string addBinary(string a, string b) {
        //首先,求得两个字符串的长度
        int la = strlen(a.c_str());
        int lb = strlen(b.c_str());

        //若其中一个字符串为空,直接返回另一个字符串即可
        if (la == 0)
            return b;
        else if (lb == 0)
            return a;

        //保存进位
        int carry = 0 ;
        //保存结果
        string r = la > lb ? a : b ;
        int k = la > lb ? la - 1 : lb - 1;
        //循环变量
        int ia = la - 1, ib = lb - 1;
        for (; ia >= 0 && ib >= 0; --ia, --ib)
        { 
            //转换为整数计算
            int temp = (a[ia] - '0') + (b[ib] - '0') + carry;
            if (temp >= 2)
            {
                temp -= 2;
                carry = 1;
            }
            else{
                carry = 0;
            }//if
            //保存结果为相应字符类型
            r[k] = temp + '0';
            --k;
        }//while

        while (ia >= 0)
        {
            int temp = (a[ia] - '0') + carry;
            if (temp >= 2)
            {
                temp -= 2;
                carry = 1;
            }
            else{
                carry = 0;
            }//if
            r[k] = temp + '0';
            --ia;
            --k;
        }//while

        while (ib >= 0)
        {
            int temp = (b[ib] - '0') + carry;
            if (temp >= 2)
            {
                temp -= 2;
                carry = 1;
            }
            else{
                carry = 0;
            }//if
            r[k] = temp + '0';
            --ib;
            --k;
        }

        //若首位也有进位,则用"1"链接
        if (carry == 0)
            return r;
        else{
            return "1"+r;
        }

    }
};


内容概要:本文针对国内加密货币市场预测研究较少的现状,采用BP神经网络构建了CCi30指数预测模型。研究选取2018年3月1日至2019年3月26日共391天的数据作为样本,通过“试凑法”确定最优隐结点数目,建立三层BP神经网络模型对CCi30指数收盘价进行预测。论文详细介绍了数据预处理、模型构建、训练及评估过程,包括数据归一化、特征工程、模型架构设计(如输入层、隐藏层、输出层)、模型编译与训练、模型评估(如RMSE、MAE计算)以及结果可视化。研究表明,该模型在短期内能较准确地预测指数变化趋势。此外,文章还讨论了隐层节点数的优化方法及其对预测性能的影响,并提出了若干改进建议,如引入更多技术指标、优化模型架构、尝试其他时序模型等。 适合人群:对加密货币市场预测感兴趣的研究人员、投资者及具备一定编程基础的数据分析师。 使用场景及目标:①为加密货币市场投资者提供一种新的预测工具和方法;②帮助研究人员理解BP神经网络在时间序列预测中的应用;③为后续研究提供改进方向,如数据增强、模型优化、特征工程等。 其他说明:尽管该模型在短期内表现出良好的预测性能,但仍存在一定局限性,如样本量较小、未考虑外部因素影响等。因此,在实际应用中需谨慎对待模型预测结果,并结合其他分析工具共同决策。
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