二分图匹配---匈牙利算法学习

本文介绍了一种基于二分匹配算法解决最大匹配问题的方法。通过使用C++编程语言实现了该算法,并提供了完整的代码示例。文章首先定义了一个二维数组来表示匹配关系,然后通过Find函数递归地寻找可行的匹配方案。最终输出的是最大匹配数。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

这篇博文写的非常好

 

#include <iostream>
#include <cstdio>
#include <cmath>
#include <cstring>
#include <algorithm>
using namespace std;
const int maxn = 1010;
int Map[maxn][maxn];
int use[maxn];
int girl[maxn];
int n,m;

void input(){
	int u,v;
	memset(Map, 0, sizeof(Map));
	for(int i = 1; i <= m; i++){
		cin >> u >> v;
		Map[u][v] = 1;
	}
}

bool Find(int k){
	for(int i = 1; i <= n; i++){
		if(Map[k][i] && !use[i]){
			use[i] = 1;
			if(!girl[i] || Find(girl[i])){
				girl[i] = k;
				return true;
			}
		}
	}
	return false;
}

int match(){
	int sum = 0;
	for(int i = 1; i <= n; i++){
		memset(use, 0, sizeof(use));
		if(Find(i))sum++;
	}
	return sum;
}

int main(){
	int t;
	while(cin >> n >> m){
		input();
		memset(girl, 0, sizeof(girl));
		cout << match() << endl;
	}
    return 0;
} 

 

内容概要:本文针对国内加密货币市场预测研究较少的现状,采用BP神经网络构建了CCi30指数预测模型。研究选取2018年3月1日至2019年3月26日共391天的数据作为样本,通过“试凑法”确定最优隐结点数目,建立三层BP神经网络模型对CCi30指数收盘价进行预测。论文详细介绍了数据预处理、模型构建、训练及评估过程,包括数据归一化、特征工程、模型架构设计(如输入层、隐藏层、输出层)、模型编译与训练、模型评估(如RMSE、MAE计)以及结果可视化。研究表明,该模型在短期内能较准确地预测指数变化趋势。此外,文章还讨论了隐层节点数的优化方法及其对预测性能的影响,并提出了若干改进建议,如引入更多技术指标、优化模型架构、尝试其他时序模型等。 适合人群:对加密货币市场预测感兴趣的研究人员、投资者及具备一定编程基础的数据分析师。 使用场景及目标:①为加密货币市场投资者提供一种新的预测工具和方法;②帮助研究人员理解BP神经网络在时间序列预测中的应用;③为后续研究提供改进方向,如数据增强、模型优化、特征工程等。 其他说明:尽管该模型在短期内表现出良好的预测性能,但仍存在一定局限性,如样本量较小、未考虑外部因素影响等。因此,在实际应用中需谨慎对待模型预测结果,并结合其他分析工具共同决策。
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