loj#10013 曲线(三分)

题目

#10013. 「一本通 1.2 例 3」曲线

解析

首先这个题保证了所有的二次函数都是下凸的, \(F(x)=max\{s_i(x)\}i=1...n\)在每一个x上对应的最大的y,我们最后得到的还是一个凸函数
360截图20190723081129468.jpg
这个题比较特殊的一点是函数可能退化为一次,但退化为一次后的函数还是凸函数
360截图20190723081432812.jpg

代码

然后就可以愉快的三分了

#include <bits/stdc++.h>
using namespace std;

const int N = 1e5 + 10;
const double EPS = 0.000000001;

int t, n;

double a[N], b[N], c[N];
double l, r, lm, rm;
double data[N];

double f(double x) {
    double ret = -0x3f3f3f3f;
    for (int i = 1; i <= n; ++i) ret = max(ret, a[i] * x * x + b[i] * x + c[i]);
    return ret;
}

int main() {
    cin >> t;
    while (t--) {
        cin >> n;
        for (int i = 1; i <= n; ++i)
            cin >> a[i] >> b[i] >> c[i];
        l = 0.0, r = 1000.0;
        while (r - l > EPS) {
            lm = l + (r - l) / 3, rm = r - (r - l) / 3;
            if (f(lm) > f(rm)) l = lm;
            else r = rm;
        }
        printf("%.4lf\n", f(l));
    }
}

转载于:https://www.cnblogs.com/lykkk/p/11229561.html

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