整数因子问题__nyist 478 月老的烦恼(1)

本文探讨了两种不同的算法实现方式,一种因复杂操作导致运行超时,而另一种通过优化显著提升了效率。该文通过对比分析,展示了如何减少冗余计算并利用更高效的数据结构来改善算法性能。

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

这样会超时:
#include <iostream>
#include<cstdio>
#include<cstring>
using namespace std;
int a[500005];
int main(void)
{
   int t,i,j,x;
   memset(a,0,sizeof(a));
   for(i=4;i<=500000;i++)
     {for(j=2;j*j<i;j++)
       if(i%j==0) a[i]+=j+i/j;
       if(j*j==i) a[i]+=j;
     }
   scanf("%d",&t);
   while(t--)
   {
   	   scanf("%d",&x);
		printf("%d\n",a[x]+1);
   } 
}


这个挺好:

#include <cstdio>
const int A=500001;
int a[A]={0,0};
int main()
{
    for(int i =2;i<A;i++)
        a[i]=1;
    for(int i = 2;i <= A/2; i++)
        for(int j = i*2;j<A;j+=i)
         a[j]+=i;
    int n,m;
    scanf("%d",&n);
    while(n--)
    {
        scanf("%d",&m);
        printf("%d\n",a[m]);
    }

}        


内容概要:本文针对国内加密货币市场预测研究较少的现状,采用BP神经网络构建了CCi30指数预测模型。研究选取2018年3月1日至2019年3月26日共391天的数据作为样本,通过“试凑法”确定最优隐结点数目,建立三层BP神经网络模型对CCi30指数收盘价进行预测。论文详细介绍了数据预处理、模型构建、训练及评估过程,包括数据归一化、特征工程、模型架构设计(如输入层、隐藏层、输出层)、模型编译与训练、模型评估(如RMSE、MAE计算)以及结果可视化。研究表明,该模型在短期内能较准确地预测指数变化趋势。此外,文章还讨论了隐层节点数的优化方法及其对预测性能的影响,并提出了若干改进建议,如引入更多技术指标、优化模型架构、尝试其他时序模型等。 适合人群:对加密货币市场预测感兴趣的研究人员、投资者及具备一定编程基础的数据分析师。 使用场景及目标:①为加密货币市场投资者提供一种新的预测工具方法;②帮助研究人员理解BP神经网络在时间序列预测中的应用;③为后续研究提供改进方向,如数据增强、模型优化、特征工程等。 其他说明:尽管该模型在短期内表现出良好的预测性能,但仍存在一定局限性,如样本量较小、未考虑外部因素影响等。因此,在实际应用中需谨慎对待模型预测结果,并结合其他分析工具共同决策。
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