acm书中题目 w-23

题目大概:

输入一个矩形的长和宽,然后输入矩形状的由1和0构成的数,若这些数不全为1,并且这些数中的0不挨着0,就输出yes,否则输出no。当输入0 0时结束输入。

思路:

用二维数组储存数据,用两个数控制题目中的两个要求,满足则输出yes,反之no。

感想:

做这个题,思维要严谨,把可能的包含在内,不可能的也不能包含进去。

代码:

#include <iostream>


using namespace std;

int main()
{int n,m;
int a[10][10];
while(cin>>n>>m)
{if(n==0&&m==0)break;
for(int i=0;i<n;i++)
{for(int t=0;t<m;t++)
{cin>>a[i][t];

}
}
int k=0,l=0;
for(int i=0;i<n;i++)
{for(int t=0;t<m;t++)
{if(a[i][t]==0){
if(i-1>0)if(a[i-1][t]==0)k++;
  if(i+1<n)if(a[i+1][t]==0)k++;
   if(t-1>0)if(a[i][t-1]==0)k++;
   if(t+1<m)if(a[i][t+1]==0)k++;
}
if(a[i][t]!=1)l++;
}
}
if(k)cout<<"No"<<endl;
if(!k)if(l)cout<<"Yes"<<endl;
if(!l)cout<<"No"<<endl;

}


      return 0;
}
MATLAB代码实现了一个基于多种智能优化算法优化RBF神经网络的回归预测模型,其核心是通过智能优化算法自动寻找最优的RBF扩展参数(spread),以提升预测精度。 1.主要功能 多算法优化RBF网络:使用多种智能优化算法优化RBF神经网络的核心参数spread。 回归预测:对输入特征进行回归预测,适用于连续值输出问题。 性能对比:对比不同优化算法在训练集和测试集上的预测性能,绘制适应度曲线、预测对比图、误差指标柱状图等。 2.算法步骤 数据准备:导入数据,随机打乱,划分训练集和测试集(默认7:3)。 数据归一化:使用mapminmax将输入和输出归一化到[0,1]区间。 标准RBF建模:使用固定spread=100建立基准RBF模型。 智能优化循环: 调用优化算法(从指定文件夹中读取算法文件)优化spread参数。 使用优化后的spread重新训练RBF网络。 评估预测结果,保存性能指标。 结果可视化: 绘制适应度曲线、训练集/测试集预测对比图。 绘制误差指标(MAE、RMSE、MAPE、MBE)柱状图。 十种智能优化算法分别是: GWO:灰狼算法 HBA:蜜獾算法 IAO:改进天鹰优化算法,改进①:Tent混沌映射种群初始化,改进②:自适应权重 MFO:飞蛾扑火算法 MPA:海洋捕食者算法 NGO:北方苍鹰算法 OOA:鱼鹰优化算法 RTH:红尾鹰算法 WOA:鲸鱼算法 ZOA:斑马算法
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