LeetCode:77.组合

本文介绍了一种使用C++实现的回溯算法,用于生成所有可能的组合C(n,k)。通过递归调用和回溯操作,算法能够有效地找出所有长度为k的组合,这些组合由范围1到n的整数构成。
class Solution {
public:
    vector<vector<int>>res;
    //求解C(n,k),当前已经找到的组合存储在c中,需要从start开始搜索新的元素
    void generateCombinations(int n,int k,int start,vector<int> &c){

        if(c.size()==k){
            //如果找到了一个组合,就将其存储在结果res中
            res.push_back(c);//递归终止
            return ;
        }

        //回溯算法递归过程
        for(int i=start;i<=n;i++)
        {
            c.push_back(i);
            generateCombinations(n,k,i+1,c);//递归调用
            //回溯
            c.pop_back();
        }
        return;
    }

    vector<vector<int>> combine(int n, int k) {
        res.clear();
        if(n<=0||k<=0||k>n){
            return res;
        }

        vector<int>c;//存储临时的生成的组合
        generateCombinations(n,k,1,c);
        return res;
    }
};
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
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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