SG函数博弈

题目链接

一个关于SG的博弈游戏,对于某个堆有MiMi和LiLi,那么这个堆的SG值为

SGi=Mi%(Li+1)

定义SG(x)=mex(S)),其中S是x的后继状态的SG函数值集合,mex(S))表示不在S内的最小非负的整数。

我们先取L=5来看一下

当M=1时,由于1的后继状态只有0,由sg定义可得sg[1]=mex{sg[0]}=1

,当M=2时,2的后继状态有0,1得到sg[2]=mex{sg[0],sg[1]}=2

当M=3时,3的后继状态有0,1,2有sg[3]=mex{sg[0],sg[1],sg[2]}=mex{0,1,2}=3s

…………

当M=5时,5的后继状态有0,1,2,3,4,有sg[5]=5

当M=6时,6的后继状态有1,2,3,4,5有sg[6]=mex{sg[1],sg[2]……sg[5]}=0

当M=7时,7的后继状态有2,3,4,5,6有sg[7]=mex{sg[2],sg[3],sg[4]……sg[6]}=1

如此一来 规律就好明显的有木有><.

原博客

#include <iostream>
#include <cstring>
#include <algorithm>
using namespace std;

int main ()
{
    int t;
    scanf ( "%d" , &t );
    while ( t-- )
    {
        int n;
        scanf ( "%d" , &n );
        int ans = 0;
        for ( int i = 0 ; i < n ; i++ )
        {
            int a,b;
            scanf ( "%d" , &a );
            scanf ( "%d" , &b );
            ans ^= a%(1+b); 
        }
        if ( ans == 0 ) printf( "Yes\n" );
        else printf( "No\n" );
    }
}

 

内容概要:本文介绍了基于SMA-BP黏菌优化算法优化反向传播神经网络(BP)进行多变量回归预测的项目实例。项目旨在通过SMA优化BP神经网络的权重和阈值,解决BP神经网络易陷入局部最优、收敛速度慢及参数调优困难等问题。SMA算法模拟黏菌寻找食物的行为,具备优秀的全局搜索能力,能有效提高模型的预测准确性和训练效率。项目涵盖了数据预处理、模型设计、算法实现、性能验证等环节,适用于多变量非线性数据的建模和预测。; 适合人群:具备一定机器学习基础,特别是对神经网络和优化算法有一定了解的研发人员、数据科学家和研究人员。; 使用场景及目标:① 提升多变量回归模型的预测准确性,特别是在工业过程控制、金融风险管理等领域;② 加速神经网络训练过程,减少迭代次数和训练时间;③ 提高模型的稳定性和泛化能力,确保模型在不同数据集上均能保持良好表现;④ 推动智能优化算法与深度学习的融合创新,促进多领域复杂数据分析能力的提升。; 其他说明:项目采用Python实现,包含详细的代码示例和注释,便于理解和二次开发。模型架构由数据预处理模块、基于SMA优化的BP神经网络训练模块以及模型预测与评估模块组成,各模块接口清晰,便于扩展和维护。此外,项目还提供了多种评价指标和可视化分析方法,确保实验结果科学可信。
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