快速幂模板(整数+矩阵)


1//整数的快速幂 m^n  % k 的快速幂:
long long  quickpow(long long   m , long long   n , long long   k){
    long long   ans = 1;
    while(n){
        if(n&1)//如果n是奇数
            ans = (ans * m) % k;
        n = n >> 1;//位运算“右移1类似除2”
        m = (m * m) % k;
    }
    return ans;
}


2矩阵快速幂:
定义一个矩阵类,例如求(A^n)%mod
class Matrix {
public:

     long long m[MAXN][MAXN];
//二维数组存放矩阵
    Matrix(){}
    //对数组的初始化
    void init(long long  num[MAXN][MAXN]){
        for(int i = 0 ; i < MAXN ; i++){
            for(int j = 0 ; j < MAXN ; j++){
                m[i][j] = num[i][j];
           }
       }
    }
    //重载矩阵的乘法运算

    friend Matrix operator*(Matrix &m1 ,Matrix &m2) {
        int i, j, k;
        Matrix temp;
        for (i = 0; i < MAXN; i++) {
            for (j = 0; j < MAXN; j++) {
                temp.m[i][j] = 0;
                for(k = 0 ; k < MAXN ; k++)
                   temp.m[i][j] += (m1.m[i][k] * m2.m[k][j])%mod
                temp.m[i][j] %= mod;
//注意每一步都进行取模
           }
        }
        return temp;
    }
    //矩阵的快速幂

    friend Matrix quickpow(Matrix &M , long long n){
        Matrix tempans;
//初始化为单位矩阵
        //初始化
        for(int i = 0 ; i < MAXN ; i++){
            for(int j = 0 ; j < MAXN ; j++){
                if(i == j)
                    tempans.m[i][j] = 1;
                else
                    tempans.m[i][j] = 0;
            }
        }
        //快速幂(类似整数)
        while(n){
            if(n & 1)
                tempans = tempans * M;
//已经重载了*
            n = n >> 1;
            M = M * M;
        }
       return tempans;
    }
};

int main() {
    Matrix A , ans;
    long long T , n , k , sum;
//数据类型为long long
    long long num[MAXN][MAXN];
//输入的数据存入数组
    scanf("%lld" , &T);
    while(T--){
        scanf("%lld%lld\n", &n , &k);
        memset(num , 0 , sizeof(num));
        for(int i = 0 ; i < n ; i++){
            for(int j = 0 ; j < n ; j++)
                scanf("%lld" , &num[i][j]);
        }
        A.init(num);//初始化A矩阵
        ans = quickpow(A , k);//求出矩阵的快速幂
    }
}


提供了基于BP(Back Propagation)神经网络结合PID(比例-积分-微分)控制策略的Simulink仿真模型。该模型旨在实现对杨艺所著论文《基于S函数的BP神经网络PID控制器及Simulink仿真》中的理论进行实践验证。在Matlab 2016b环境下开发,经过测试,确保能够正常运行,适合学习和研究神经网络在控制系统中的应用。 特点 集成BP神经网络:模型中集成了BP神经网络用于提升PID控制器的性能,使之能更好地适应复杂控制环境。 PID控制优化:利用神经网络的自学习能力,对传统的PID控制算法进行了智能调整,提高控制精度和稳定性。 S函数应用:展示了如何在Simulink中通过S函数嵌入MATLAB代码,实现BP神经网络的定制化逻辑。 兼容性说明:虽然开发于Matlab 2016b,但理论上兼容后续版本,可能会需要调整少量配置以适配不同版本的Matlab。 使用指南 环境要求:确保你的电脑上安装有Matlab 2016b或更高版本。 模型加载: 下载本仓库到本地。 在Matlab中打开.slx文件。 运行仿真: 调整模型参数前,请先熟悉各模块功能和输入输出设置。 运行整个模型,观察控制效果。 参数调整: 用户可以自由调节神经网络的层数、节点数以及PID控制器的参数,探索不同的控制性能。 学习和修改: 通过阅读模型中的注释和查阅相关文献,加深对BP神经网络与PID控制结合的理解。 如需修改S函数内的MATLAB代码,建议有一定的MATLAB编程基础。
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