2909 Goldbach's Conjecture 解题报告

本文介绍了一种通过生成预定义数量的质数数组来优化寻找特定范围内质数对的方法。该方法利用了基本的质数判断逻辑,并通过双重循环遍历来找出所有符合条件的质数对,最终输出这些配对的数量。

主要是注意优化,感觉下面的代码还不是最优的,运行时间还要几百ms.

#include <stdio.h> #include <math.h> #define MAX_SIZE 32768 int primeArr[MAX_SIZE]; /*判断一个大于等于2的整数是否质数*/ bool isPrime(int n) { /*注意结束条件*/ for(int i = 2; i <=sqrt(n); i++) { if(n % i == 0) return false; } return true; } /*生成MAX_SIZE个质数,以便下使用*/ void genPrime() { int ix = 0; for(int i = 2; ix < MAX_SIZE; i++) { if(isPrime(i)) { primeArr[ix++] = i; } } } int main() { genPrime(); int n; while(scanf("%d", &n), n != 0) { int count = 0; /*根据题意要求,(x,y)与(y,x)不能算两组。*/ for(int i = 0; primeArr[i] <= n / 2; i++) { /*注意第二重循环的结束条件*/ for(int j = 0; primeArr[j] <= n - primeArr[i]; j++) { if(primeArr[i] + primeArr[j] == n) count++; } } printf("%d/n", count); } return 0; }

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