最近几次比赛之后的感想

距离上次写赛后感想已经有三个月时间了。期间参加了北邮新生赛,北邮校赛,还有几场CF,BC。

北邮新生赛没什么好说的,都是水题水过。

说说北邮校赛吧。第一次组队参加正式比赛。总体感觉分工合作还是比较不错的,没有出乱子,没有发生什么矛盾,比赛下来也很愉快,当然这是在不看结果的情况下。除了A题题目搞错,B题被数据坑,其他水一点的题基本上能做,在大家的讨论下由我们队的码题主力天神搞过了。H题没过算是唯一的遗憾,其它题,就是自己能力不足了。即使后来PQ给了思路,依旧没有想到很完备的解决方案。

怎么说呢,平时练习那么少,比赛时候做不出也是理所当然的。即使没有pq的算不上批评的评价,被软院踩,被众多队伍踩,心里也是很难受,听室友说软院集训队似乎每周日都是全天训练,也难免有这样的结果。说到这里,我是又该喷集训队教练及管理的队员不负责任,还是该责备自己太不勤奋,不管怎么说,两者原因都有吧。

最近打CF和BC状态极差。 CF直接每次降一颜色,BC状态差是一直以来的问题,不知道是和BC出题者气场不和?也怪自己写的太烂,总是被HACK,搞得最后都没有打BC的激情了。心理承受能力还需锻炼才是。

这周末就是校赛了,不求短短几天能提升多大的水平,只希望做一点题把自己的状态调整好。等比赛完能开开心心陪外公外婆玩玩。

最后要再次感谢妈妈,每次没有做好什么事,都能给我鼓励。

基于模拟退火的计算器 在线运行 访问run.bcjh.xyz。 先展示下效果 https://pan.quark.cn/s/cc95c98c3760 参见此仓库。 使用方法(本地安装包) 前往Releases · hjenryin/BCJH-Metropolis下载最新 ,解压后输入游戏内校验码即可使用。 配置厨具 已在2.0.0弃用。 直接使用白菜菊花代码,保留高级厨具,新手池厨具可变。 更改迭代次数 如有需要,可以更改 中39行的数字来设置迭代次数。 本地编译 如果在windows平台,需要使用MSBuild编译,并将 改为ANSI编码。 如有条件,强烈建议这种本地运行(运行可加速、可多次重复)。 在 下运行 ,是游戏中的白菜菊花校验码。 编译、运行: - 在根目录新建 文件夹并 至build - - 使用 (linux) 或 (windows) 运行。 最后在命令行就可以得到输出结果了! (注意顺序)(得到厨师-技法,表示对应新手池厨具) 注:linux下不支持多任务选择 云端编译已在2.0.0弃用。 局限性 已知的问题: - 无法得到最优解! 只能得到一个比较好的解,有助于开阔思路。 - 无法选择菜品数量(默认拉满)。 可能有一定门槛。 (这可能有助于防止这类辅助工具的滥用导致分数膨胀? )(你问我为什么不用其他语言写? python一个晚上就写好了,结果因为有涉及json读写很多类型没法推断,jit用不了,算这个太慢了,所以就用c++写了) 工作原理 采用两层模拟退火来最大化总能量。 第一层为三个厨师,其能量用第二层模拟退火来估计。 也就是说,这套方法理论上也能算厨神(只要能够在非常快的时间内,算出一个厨神面板的得分),但是加上厨神的食材限制工作量有点大……以后再说吧。 (...
### Kaggle 房价预测比赛入门指南 #### 数据集下载地址 参赛者可以访问[Kaggle官网](https://www.kaggle.com/),进入“House Prices: Advanced Regression Techniques”竞赛页面[^1]。点击页面中的“Data”标签即可找到并下载训练数据集和测试数据集。 #### 参赛方法概述 为了成功参与此竞赛,建议遵循以下流程: - **理解目标**:该竞赛旨在利用给定的房屋特征来预测销售价格。 - **探索数据结构**:两个数据集中均含有描述各房产特性的字段,例如街道类型、建造年份、屋顶材质以及地下室状态等属性值;值得注意的是,这些数值可能表现为连续型数位、分类标签甚至是未记录的状态即`NA`表示缺失情况。唯有训练样本附带了实际成交金额作为监督信号用于构建回归模型[^2]。 - **准备环境**:确保本地开发环境中已安装必要的库文件,比如Pandas用于高效处理表格化资料。如果尚未配置好依赖项,在Python脚本开头取消注释相应语句完成自动部署工作。 ```python # 如果没有安装pandas,则反注释下面一行 # !pip install pandas ``` - **加载与初步清洗数据** 使用Pandas读取CSV格式的数据源,并执行基本清理操作去除异常点或填补空白处以提高后续建模准确性。 ```python import pandas as pd train_data = pd.read_csv('path_to_train.csv') test_data = pd.read_csv('path_to_test.csv') print(train_data.shape, test_data.shape) # 查看前几条记录以便直观感受整布局 print(train_data.head()) ``` - **设计解决方案框架** 结合Scikit-Learn或其他机器学习工具包实现简单的基线模型,评估其性能表现后逐步优化直至达到预期效果。对于初学者而言,尝试多种算法对比验证不失为一种有效的策略。 - **提交结果** 完成最终版本的预测之后,按照官方指引打包输出并向平台上传答案等待评分反馈。
评论 4
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