2016夏季练习

本文解析了一道经典的博弈论SG基础题目,通过C++代码实现了解决方案。重点介绍了如何确定状态转移过程中的后继状态,并展示了完整的代码实现。

来源:HDU1404

博弈论,sg基础题,关键是要知道后继是什么

#include <iostream>
#include <cstdio>
#include <cstring>
#include <algorithm>
#include <string>
using namespace std;
const int MAXN = 10000010;//一开始开不下,换成bool过的
char s[10];
bool sg[MAXN];
int ans;
int shu[]={1,10,100,1000,10000,100000,1000000,10000000,100000000};
inline void data(int len){
    ans = 0;
    for(int i=0;i<len;i++)
    {
        ans = ans*10+s[i]-'0';
    }
}
int getlen(int d){
    int cnt = 0;
    while(d) {
        cnt++;
        d/=10;
    }
    return cnt;
}
void getsg(int tt){
    int cnt = getlen(tt);
    for(int i=1;i<=cnt;i++){
        int dl = cnt-i;
        int power = shu[dl];
        int now = tt/power;
        now = now%10;
        for(int i=now+1;i<=9;i++){
            sg[tt+(i-now)*power] = 1;
        }
    }
    if(cnt == 6) return ;
    int ll = cnt;
    int power = 1;
    int t = tt;
    while(ll<6){
        t *= 10;
        for(int i=0;i<power;i++){
            sg[t+i] = 1;
        }
        power *= 10;
        ll++;
    }
    return ;
}
void solve(){
    memset(sg,0,sizeof(sg));
    sg[0] = 1;
    for(int i=1;i<=1000000;i++){
        if(sg[i]==0) {
            getsg(i);
        }
    }
}
int main(){
    solve();
    while(scanf("%s",s)!=EOF){
        int len = strlen(s);
        data(len);
        if(s[0] == '0') {
            puts("Yes");
            continue;
        }
        if(sg[ans]) puts("Yes");
        else puts("No");
    }
    return 0;
}


内容概要:本文介绍了基于贝叶斯优化的CNN-LSTM混合神经网络在时间序列预测中的应用,并提供了完整的Matlab代码实现。该模型结合了卷积神经网络(CNN)在特征提取方面的优势与长短期记忆网络(LSTM)在处理时序依赖问题上的强大能力,形成一种高效的混合预测架构。通过贝叶斯优化算法自动调参,提升了模型的预测精度与泛化能力,适用于风电、光伏、负荷、交通流等多种复杂非线性系统的预测任务。文中还展示了模型训练流程、参数优化机制及实际预测效果分析,突出其在科研与工程应用中的实用性。; 适合人群:具备一定机器学习基基于贝叶斯优化CNN-LSTM混合神经网络预测(Matlab代码实现)础和Matlab编程经验的高校研究生、科研人员及从事预测建模的工程技术人员,尤其适合关注深度学习与智能优化算法结合应用的研究者。; 使用场景及目标:①解决各类时间序列预测问题,如能源出力预测、电力负荷预测、环境数据预测等;②学习如何将CNN-LSTM模型与贝叶斯优化相结合,提升模型性能;③掌握Matlab环境下深度学习模型搭建与超参数自动优化的技术路线。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,重点关注贝叶斯优化模块与混合神经网络结构的设计逻辑,通过调整数据集和参数加深对模型工作机制的理解,同时可将其框架迁移至其他预测场景中验证效果。
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