UVa 10487 - Closest Sums

水题一道,一开始想错了,以为他是任意和,这个就比较麻烦了,需要DSF+回溯剪枝操作,但是这道题不是,这要任意两个和与给出的数最接近就行了,网上很多人用了求和排序再二分查找,其实用不着那么麻烦,只要求和时就 把所有的工作干完就行了,省时省空间。偷笑

#include <iostream>
#include<stdlib.h>
#include<math.h>
#include<stdio.h>
using namespace std;
int a[1000],n;
int foundconset(int);
int cmp_int(const void *a,const void *b)
{
    int *i = (int *)a;
    int *j = (int *)b;
    return *i - *j;
}
int main()
{
    int m,i,j,c,cas = 1;;
    while((cin>> n) && n != 0)
    {
    for(i = 0; i < n; i++)
    {
        cin >> a[i];
    }
    cin >> m;
    cout << "Case "<< cas <<":" << endl;
    cas++;
    for(j = 0; j < m;j++)
    {
        cin >> c;

        cout << "Closest sum to "<< c << " is " << foundconset(c) <<"."<< endl;
    }
    }
    return 0;
}

int foundconset(int c)
{
    int i,j,low,hight,sum;
    low = 111111111;
    for(i = 0; i < n;i++)
    for(j = i+1; j < n; j++)
    {
        sum = a[i] + a[j];
          if(low > fabs(sum - c))
            {
                low =fabs(sum - c);
                hight = sum;
            }
    }
      return hight;

}

 

内容概要:本文深入探讨了多种高级格兰杰因果检验方法,包括非线性格兰杰因果检验、分位数格兰杰因果检验、混频格兰杰因果检验以及频域因果检验。每种方法都有其独特之处,适用于不同类型的时间序列数据。非线性格兰杰因果检验分为非参数方法、双变量和多元检验,能够在不假设数据分布的情况下处理复杂的关系。分位数格兰杰因果检验则关注不同分位数下的因果关系,尤其适合经济数据的研究。混频格兰杰因果检验解决了不同频率数据之间的因果关系分析问题,而频域因果检验则专注于不同频率成分下的因果关系。文中还提供了具体的Python和R代码示例,帮助读者理解和应用这些方法。 适合人群:从事时间序列分析、经济学、金融学等领域研究的专业人士,尤其是对非线性因果关系感兴趣的学者和技术人员。 使用场景及目标:①研究复杂非线性时间序列数据中的因果关系;②分析不同分位数下的经济变量因果关系;③处理不同频率数据的因果关系;④识别特定频率成分下的因果关系。通过这些方法,研究人员可以获得更全面、细致的因果关系洞察。 阅读建议:由于涉及较多数学公式和编程代码,建议读者具备一定的统计学和编程基础,特别是对时间序列分析有一定了解。同时,建议结合具体案例进行实践操作,以便更好地掌握这些方法的实际应用。
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