UVA 10420 List of Conquests

本博客介绍了一种算法,用于统计输入列表中不同城市的访客数量,并按照字典序进行排序输出。通过解析输入,将城市名与人头数关联,实现高效的数据统计与排序过程。

题目

战利品列表

分析

题目给出列表行数n,接下来n行每行给出城市名(第一个单词)和人名(并没有什么卵用),统计每个城市有几个人头数(ˊ_>ˋ)并以字典序排序打出。

思路

  1. 每行取出城市名,将其人头数+1;
  2. qsort()排序。

代码

#include <stdio.h>
#include <string.h>
#include <stdlib.h>

int cmp(const void* a,const void* b)
{
    return strcmp((char*)a, (char*)b);
}

int main(void)
{
    int n, i, j, k, c;
    char country[2050][80], tmp[80];
    scanf("%d", &n);
    getchar();
    for (i = 0, j = 0; i < n; i++) {
        fgets(tmp, 80, stdin);
        for (k = 0; tmp[k] != ' '; k++) country[j][k] = tmp[k];
        j++;
    }
    qsort(country, n, sizeof(country[0]), cmp);
    for (i = 0, c = 1; i < n; i++)
        if (strcmp(country[i], country[i+1]) == 0) {
            c++;
        } else {
            printf("%s %d\n", country[i], c);
            c = 1;
    }
    return 0;
}
内容概要:本文围绕“基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究”展开,提出了一种结合Koopman算子理论与递归神经网络(RNN)的数据驱动建模方法,旨在对非线性纳米定位系统进行有效线性化建模,并实现高精度的模型预测控制(MPC)。该方法利用Koopman算子将非线性系统映射到高维线性空间,通过递归神经网络学习系统的动态演化规律,构建可解释性强、计算效率高的线性化模型,进而提升预测控制在复杂不确定性环境下的鲁棒性与跟踪精度。文中给出了完整的Matlab代码实现,涵盖数据预处理、网络训练、模型验证与MPC控制器设计等环节,具有较强的基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究(Matlab代码实现)可复现性和工程应用价值。; 适合人群:具备一定控制理论基础和Matlab编程能力的研究生、科研人员及自动化、精密仪器、机器人等方向的工程技术人员。; 使用场景及目标:①解决高精度纳米定位系统中非线性动态响应带来的控制难题;②实现复杂机电系统的数据驱动建模与预测控制一体化设计;③为非线性系统控制提供一种可替代传统机理建模的有效工具。; 阅读建议:建议结合提供的Matlab代码逐模块分析实现流程,重点关注Koopman观测矩阵构造、RNN网络结构设计与MPC控制器耦合机制,同时可通过替换实际系统数据进行迁移验证,深化对数据驱动控制方法的理解与应用能力。
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