快速幂取模

对于a^b%c问题,当a和b都很大时的处理方法。

首先介绍一个定理:a*b%c=(a%c)*b%c ;

方案一:a^b%c=(((a*a)%c)*a%c)*a%c)....,这样算法的执行效率为O(b),当n很大时仍然无法进行处理。

方案二:将b转换成一个二进制,即b=p(0)+p(1)*2^1+p(2)*2^2+...+p(n)*2^n,所以a^b=a^p(0) * a^(p(1)*2^1) *a^(p(2)*2^2) *...* a^(p(n)*2^n)。

所以只需要考虑p(i)不为零的情况即可,因为当p(i)=0时,a^0=1。又由a^2^i=(a^2^(i-1))^2,所以我们就可以递推出所有的a*(p(i)*2^i)

以下是具体代码:效率为log(n)

int mod(int a,int b,int c)
{
	int t=a,res=1;
	while(b)
	{
		if(b&1) res=res*t%c;
		t=t*t%c;
		b>>=1;
	}
	return res;
}
方案三:采用二分法递归,原理a*b%c=(a%c)*(b%c)%c

以下是具体代码:,效率为log(n)

int rec_mod(int a,int b,int c)
{
	if(b==0) return 0;
	if(b==1) return a%b;
	int t=rec_mod(a,b/2,c);
	t=t*t%c;
	if(b&1) t=t*a%c;
	return t;
}
个人理解,其实方案二和方案三实际是一个意思。二分法递归更直观一些

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指数预测型。研究选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神经网络型对CCi30指数收盘价进行预测。论文详细介绍了数据预处理、型构建、训练及评估过程,包括数据归一化、特征工程、型架构设计(如输入层、隐藏层、输出层)、型编译与训练、型评估(如RMSE、MAE计算)以及结果可视化。研究表明,该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、优化型架构、尝试其他时序型等。 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和方法;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、型优化、特征工程等。 其他说明:尽管该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