第9周项目2-对称矩阵压缩存储的实现与应用(2)

压缩存储矩阵运算
本文介绍了一个C语言程序,该程序实现了两个压缩存储的对称矩阵的加法和乘法操作。通过对矩阵进行压缩存储,可以有效地减少存储空间的需求。文章通过具体的代码示例展示了如何实现这些基本运算。

问题及代码:

/*
Copyright (c)2016,烟台大学计算机与控制工程学院
All rights reserved.
文件名称:ice.cbp
作    者:何大冰
完成日期:2016年11月3日
版 本 号:v1.0

问题描述:设计算法,实现两个用压缩形式存储的对称矩阵A和B的加法和乘法。实现中请使用好前面设计的基本运算。 
 
输入描述:无 
程序输出:测试结果 
*/  


#include <stdio.h>
#define N 4
#define M 10
int value(int a[],int i,int j)
{
    if (i>=j)
        return a[(i*(i+1))/2+j];
    else
        return a[(j*(j+1))/2+i];
}
void madd(int a[],int b[],int c[][N])
{
    int i,j;
    for (i=0; i<N; i++)
        for (j=0; j<N; j++)
            c[i][j]=value(a,i,j)+value(b,i,j);
}
void mult(int a[],int b[],int c[][N])
{
    int i,j,k,s;
    for (i=0; i<N; i++)
        for (j=0; j<N; j++)
        {
            s=0;
            for (k=0; k<N; k++)
                s=s+value(a,i,k)*value(b,k,j);
            c[i][j]=s;
        }
}
void disp1(int a[])
{
    int i,j;
    for (i=0; i<N; i++)
    {
        for (j=0; j<N; j++)
            printf("%4d",value(a,i,j));
        printf("\n");
    }
}
void disp2(int c[][N])
{
    int i,j;
    for (i=0; i<N; i++)
    {
        for (j=0; j<N; j++)
            printf("%4d",c[i][j]);
        printf("\n");
    }
}
int main()
{
    int a[M]= {1,2,3,4,5,6,7,8,9,10};  //a表示压缩存储的对称矩阵
    int b[M]= {1,1,1,1,1,1,1,1,1,1};
    int c1[N][N],c2[N][N];
    madd(a,b,c1);
    mult(a,b,c2);
    printf("a矩阵:\n");
    disp1(a);
    printf("b矩阵:\n");
    disp1(b);
    printf("a+b:\n");
    disp2(c1);
    printf("a×b:\n");
    disp2(c2);
    printf("\n");
    return 0;
}






运行结果:




知识点总结:

压缩存储的实现的基本运算。



心得体会:

进一步加深了对压缩矩阵的实现的了解。   



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