leetcode Combination Sum

本文详细解析了如何使用递归回溯算法解决组合总和问题。通过实例代码展示了如何找到所有可能的组合来达到目标值,并确保每个组合的元素唯一且非降序排列。文章深入探讨了递归调用的过程及其实现细节。

题目链接

思路:
递归回溯

public class Solution {
    int [] candidates;
    int n;
    LinkedList<List<Integer>> result;
    LinkedList<Integer>temp;
    public List<List<Integer>> combinationSum(int[] candidates, int target) {
        Arrays.sort(candidates);
        this.candidates=candidates;
        n=candidates.length;
        result=new LinkedList<List<Integer>>();
        temp=new LinkedList<Integer>();
        help(0,target);
        return result;
    }

    void help(int start,int left)
    {
        for(int i=start;i<n;i++)
        {
            int currentLeft=left-candidates[i];
            if(currentLeft<0)
            {
                continue;
            }


            temp.add(candidates[i]);
            if(currentLeft>0)
            {
                help(i,currentLeft);
            }
            else// if(currentLeft==0)
            {
                result.add(new LinkedList<Integer>(temp));
            }
            temp.removeLast();

        }
        return;
    }
}
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