Codeforces 609C Load Balancing

题目链接:http://codeforces.com/problemset/problem/609/C


题意:将一个大小为n序列重新分配,将ai-1同时aj+1算一次操作,问要多少次操作后序列中min和max的差不大于1


思路:一开始想了个很蠢的方法,各种wa,其实就只有2种情况,设平均值为x,要么把所有小于x的数变成x,要么把大于x+1的数变成x+1,分别计算这2中情况的操作数,选最大的一个


#include <iostream>
#include <cstdio>
#include <algorithm>
#include <cstring>
#define LL long long
using namespace std;

LL s[100030];

int main()
{
    int n;
    while (scanf("%d",&n)!=EOF)
    {
        LL sum=0;
        for (int i=0;i<n;i++)
        {
            scanf("%I64d",&s[i]);
            sum+=s[i];
        }
        sum=sum/n;
        sort(s,s+n);
        LL need=0,res=0;
        for (int i=0;i<n;i++)
        {
            if (s[i]<sum)
            {
                res+=sum-s[i];
                need+=sum-s[i];
            }
            else if (s[i]>sum+1)
            {
                res+=s[i]-1-sum;
                need-=s[i]-1-sum;
            }
        }
        printf("%I64d\n",(res+need)/2);
    }
}


内容概要:本文介绍了一种利用遗传算法优化BP神经网络进行回归预测的方法,并提供了完整的MATLAB程序代码。主要内容包括数据预处理、遗传算法与BP神经网络的结合、适应度函数的设计以及最终的预测结果展示。文中详细解释了如何将Excel格式的数据导入MATLAB并进行归一化处理,如何定义适应度函数来优化BP神经网络的参数(如激活函数和学习率),并通过遗传算法找到最优解。实验结果显示,在某工业数据集上,经过遗传算法优化后的BP神经网络预测精度显著提高,从原来的0.82提升到了0.91。此外,还提到了一些实用技巧,比如调整遗传代数、修改激活函数等方法进一步改进模型性能。 适合人群:对机器学习有一定了解的研究人员和技术爱好者,特别是那些希望深入了解遗传算法与BP神经网络结合应用的人士。 使用场景及目标:适用于需要快速构建高效回归预测模型的场景,尤其是当传统BP神经网络无法达到预期效果时。通过本篇文章的学习,读者能够掌握一种有效的优化手段,从而提高模型的泛化能力和预测准确性。 其他说明:代码可以直接应用于新的数据集,只需确保数据格式符合要求(Excel格式)。对于想要深入探索或改进现有模型的人来说,还可以尝试更换不同的激活函数或其他调节方式来获得更好的表现。
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