section 2.3.5concom

博主花费较大精力解决一道题,采用循环方式,在最外层套大循环,循环内无操作时退出。还需遍历公司二维矩阵,将子公司股份加到母公司后进行判断,并给出了代码。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

这道题花了比较大的精力,我是用循环写的,这就需要在最外面套一个大循环,知道循环内什么都不做,才退出大循环。然后就是需要将遍历公司的二维矩阵,将子公司拥有的股份加到母公司上去最后进行判断。代码如下。

#include<bits/stdc++.h>
using namespace std;
int N=0,cu[105][105],cx[105][105];
int main (){
	freopen ("concom.in","r",stdin);
	freopen ("concom.out","w",stdout);
	int i=0,j=0,k=0,p=0;
	cin>>N;
	for (k=1;k<=N;k++){
		cin>>i>>j>>p;
		cu[i][j]=p;
		if (p>50){
			cx[i][j]=1;
		}
	}
	bool flag;
	for(int i=1;i<=100;i++){
		flag=true;
		cx[i][i]=1;
		while(flag){
			flag=false;
			for(int j=1;j<=100;j++){
				if(!cx[i][j]){
					int temp=0;
					for(int k=1;k<=100;k++){
					if(cx[i][k]){
						temp+=cu[k][j];
						}
					}
					if(temp>50){
						cx[i][j]++;
						flag=true;
					}
				}
			}
		}
	}
	for (i=1;i<=100;i++){
		for (j=1;j<=100;j++){
			if (cx[i][j]&&i!=j){
				cout<<i<<" "<<j<<endl;
			}
		}
	}
	return 0;
}

 

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