【PAT】A1115 Counting Nodes in a BST (30分)

本文介绍了一种使用C++实现的搜索树构建方法,通过递归插入节点并记录每层节点数量,最终统计最深两层的节点总数。适用于处理最多1000个节点的数据集。

解析:这道30分的题10分钟以内可以完成,送命题。
最多1000的点故用int level[1010]记录从0~1000层节点数,初始为0。用Max记录当前最大层数。只需要一个插入函数, 在构建搜索树的同时把最大层数记录,并维护level数组即可。树建好了答案也就有了。

#include<cstdio>
struct node
{
	node* lchild, *rchild;
	int data, lv;
};
int level[1010] = {0}, Max = -1;
node* inser(node* root, int k, int x){
	if(root == NULL){
		root = new node;
		root->lchild = NULL;
		root->rchild = NULL;
		root->data = x;
		level[k]++;
		if(k > Max) Max = k;
	}
	else if(x <= root->data) 
		root->lchild = inser(root->lchild, k+1, x);
	else 
		root->rchild = inser(root->rchild, k+1, x);
	return root;
}
int main(){
	int n, x;
	scanf("%d", &n);
	node* root = NULL;
	for(int i = 0 ; i < n; i++){
		scanf("%d", &x);
		root = inser(root, 0, x);
	}
	printf("%d + %d = %d\n",level[Max], level[Max-1], level[Max] + level[Max-1] );
	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
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