2018寒假福州集训记Day1

博主分享了一次考试的经历,特别提到了三道题目。第一题使用了动态规划的方法解决,第二题通过图论的方法尝试解答但未成功,而老师的解法运用了容斥原理与树状数组。第三题尝试用最短路径算法处理但最终转向搜索策略。

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


今天上午直接一波考试。
之前1个月都在准备期末考试,信息书都没翻过,考试前临时抱佛脚,然而并没啥卵用。。。
好了不谈了,说说题目吧。
T1是一道DP题目(我考完试才知道,考试的时候我也有想过可能与递推有关),
题目给的样例刚好是两种极端的情况,一种是每行语句下面都加一个printf再编译一遍,另一种是一直二分。
然而正解是DP
这里写图片描述
我直接把这两种情况算出来在比较一下,输出最小值。居然有50分。
T2其实是我比较有信心拿分的一道题目,结果爆零了(10个M)
我是用了图论的方法,在有大小关系的点之间连边,如果连得边有3条的话,这两点就是那个什么数对。
老师提供的方法是根据容斥原理,将满足三个条件降低为满足两个条件,然后根据树状数组求出满足两个条件的数对。
公式:
总数对数==A∩B-B∩C-A∩C-A∩B∩C*2;
然后移项之后就OK了。
T3
这题是真的不怎么会啊。
我本来想用最短路写,写道后来实在写不下去了。
其实看得出来这是搜索,但是写没写出来。
好吧九点半了,收拾一下准备睡觉了。
听说明天考试更难。。

内容概要:本文介绍了基于SMA-BP黏菌优化算法优化反向传播神经网络(BP)进行多变量回归预测的项目实例。项目旨在通过SMA优化BP神经网络的权重和阈值,解决BP神经网络易陷入局部最优、收敛速度慢及参数调优困难等问题。SMA算法模拟黏菌寻找食物的行为,具备优秀的全局搜索能力,能有效提高模型的预测准确性和训练效率。项目涵盖了数据预处理、模型设计、算法实现、性能验证等环节,适用于多变量非线性数据的建模和预测。; 适合人群:具备一定机器学习基础,特别是对神经网络和优化算法有一定了解的研发人员、数据科学家和研究人员。; 使用场景及目标:① 提升多变量回归模型的预测准确性,特别是在工业过程控制、金融风险管理等领域;② 加速神经网络训练过程,减少迭代次数和训练时间;③ 提高模型的稳定性和泛化能力,确保模型在不同数据集上均能保持良好表现;④ 推动智能优化算法与深度学习的融合创新,促进多领域复杂数据分析能力的提升。; 其他说明:项目采用Python实现,包含详细的代码示例和注释,便于理解和二次开发。模型架构由数据预处理模块、基于SMA优化的BP神经网络训练模块以及模型预测与评估模块组成,各模块接口清晰,便于扩展和维护。此外,项目还提供了多种评价指标和可视化分析方法,确保实验结果科学可信。
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