优先队列

priority_queue:优先级最高的元素先出队列(内部元素被赋予了优先级)
与queue不同:可以自定义元素的优先级
相同:具有队列的全部特性
定义:priority_queue<type,container,functional>
Type:数据类型
Container:装载数据的容器(必须是数组实现的容器,如array,vector),默认vector
Functional:比较的方式,默认堆大项
使用基本数据类型的时候仅需要第一个参数
自定义类型,则需要三个参数
注意重载的运算符是’<’

#include<iostream>
#include<queue>
using namespace std;
struct Lov
{
	int a,b;
	bool operator <(const Lov&l)const//优先级:a与优先级成正比,b与优先级成反比,a相等时比较b
	{
		if(a==l.a)return l.b<b;//小项堆(可以这么理解,a,b为当前元素,去找比b更小的元素)
		return l.a>a;//大项堆(q去找更大的a)
	}
};
priority_queue<Lov>q;
//priority_queue<Lov,vector<Lov>>
int main()
{
	int n;
	while(cin>>n&&n)
 {
	for(int i=1;i<=n;i++)
	{
		Lov lov;
		cin>>lov.a>>lov.b;
		q.push(lov);
	}
	for(int i=1;i<=n;i++)
	{
		cout<<q.top().a<<" "<<q.top().b<<endl;
		q.pop();
	}
  }
	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,划分训练集和测试集(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。 十种智能优化算法分别是: 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