母函数模板

最近做了很多母函数的题,接下来给出能使用大部分题的母函数模板:

#include<iostream>
#include<string.h>
#include<stdio.h>
using namespace std;
int c1[1005],c2[1005];
int a[15];//硬币的价值
int n[15];//硬币的个数
int main()
{
int i,j,k,T,q,w;
scanf("%d",&T);
while(T--)
{
scanf("%d %d",&w,&q);
for(i=1;i<=q;i++)
{
            scanf("%d %d",&a[i],&n[i]);
}
memset(c1,0,sizeof(c1));
memset(c2,0,sizeof(c2));
for(i=0;i<=n[1]*a[1];i+=a[1])//初始化
c1[i]=1;
for(i=2;i<=q;i++)//i表示硬币价值的集合
        {
            for(j=0;j<=w;j++)
                for(k=0;k<=n[i]&&k*a[i]+j<=w;k++)
            {
                c2[k*a[i]+j]+=c1[j];
            }
            for(j=0;j<=w;j++)
            {
                c1[j]=c2[j];
                c2[j]=0;
            }
        }
        cout<<c1[w]<<endl;
}
return 0;
}
如果有个数有下限的话,那么在初始化的时候这样写:(n1[]是下限,n2[]是上限)
for(i=n1[1]*a[1];i<=n2[1]*a[1];i+=a[1])//初始化
c1[i]=1;

如果对所有的硬币个数有限制的话,就需要把数组再扩大一维,扩大的一维用来放总的硬币个数,代码如下:

#include<iostream>
#include<string.h>
#include<stdio.h>
using namespace std;
int c1[255][105],c2[255][105];
int a[105];//硬币的价值
int ans[255];
int main()
{
        int m,i,j,k,l;
        a[1]=1,a[2]=5,a[3]=10,a[4]=25,a[5]=50;
        while(~scanf("%d",&m))
        {

        memset(c1,0,sizeof(c1));
        memset(c2,0,sizeof(c2));
        memset(ans,0,sizeof(ans));
        c1[0][0]=1;
        for(i=1;i<=5;i++)//i表示硬币价值的集合
        {
            for(j=0;j<=m;j++)
            for(k=0;k*a[i]+j<=m;k++)
            for(l=0;k+l<=100;l++)
            {
               c2[k*a[i]+j][k+l]+=c1[j][l];
            }
            for(j=0;j<=m;j++)
            for(l=0;l<=100;l++)
            {
                c1[j][l]=c2[j][l];
                c2[j][l]=0;
            }
        }
        for(i=1;i<=m;i++)
            for(j=0;j<=100;j++)
        {
            ans[i]+=c1[i][j];
        }
        ans[0]=1;
        cout<<ans[m]<<endl;
     }
   return 0;
}

内容概要:本文介绍了基于SMA-BP黏菌优化算法优化反向传播神经网络(BP)进行多变量回归预测的项目实例。项目旨在通过SMA优化BP神经网络的权重和阈值,解决BP神经网络易陷入局部最优、收敛速度慢及参数调优困难等问题。SMA算法模拟黏菌寻找食物的行为,具备优秀的全局搜索能力,能有效提高模型的预测准确性和训练效率。项目涵盖了数据预处理、模型设计、算法实现、性能验证等环节,适用于多变量非线性数据的建模和预测。; 适合人群:具备一定机器学习基础,特别是对神经网络和优化算法有一定了解的研发人员、数据科学家和研究人员。; 使用场景及目标:① 提升多变量回归模型的预测准确性,特别是在工业过程控制、金融风险管理等领域;② 加速神经网络训练过程,减少迭代次数和训练时间;③ 提高模型的稳定性和泛化能力,确保模型在不同数据集上均能保持良好表现;④ 推动智能优化算法与深度学习的融合创新,促进多领域复杂数据分析能力的提升。; 其他说明:项目采用Python实现,包含详细的代码示例和注释,便于理解和二次开发。模型架构由数据预处理模块、基于SMA优化的BP神经网络训练模块以及模型预测与评估模块组成,各模块接口清晰,便于扩展和维护。此外,项目还提供了多种评价指标和可视化分析方法,确保实验结果科学可信。
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