PTA基础编程题目集 7-13 日K蜡烛图

本文详细解析股票价格走势的蜡烛图技术,包括日K线的构成,不同形态的表示方法,并提供一个编程序示例,用于根据给定的开盘、最高、最低和收盘价判断蜡烛图类型,包括上、下影线的判断。

股票价格涨跌趋势,常用蜡烛图技术中的K线图来表示,分为按日的日K线、按周的周K线、按月的月K线等。以日K线为例,每天股票价格从开盘到收盘走完一天,对应一根蜡烛小图,要表示四个价格:开盘价格Open(早上刚刚开始开盘买卖成交的第1笔价格)、收盘价格Close(下午收盘时最后一笔成交的价格)、中间的最高价High和最低价Low。

如果Close<Open,表示为“BW-Solid”(即“实心蓝白蜡烛”);如果Close>Open,表示为“R-Hollow”(即“空心红蜡烛”);如果Open等于Close,则为“R-Cross”(即“十字红蜡烛”)。如果Low比Open和Close低,称为“Lower Shadow”(即“有下影线”),如果High比Open和Close高,称为“Upper Shadow”(即“有上影线”)。请编程序,根据给定的四个价格组合,判断当日的蜡烛是一根什么样的蜡烛。

输入格式:

输入在一行中给出4个正实数,分别对应Open、High、Low、Close,其间以空格分隔。

输出格式:

在一行中输出日K蜡烛的类型。如果有上、下影线,则在类型后加上with 影线类型。如果两种影线都有,则输出with Lower Shadow and Upper Shadow

#include<stdio.h>
void main(){
    double o,c,h,l;
    scanf("%lf %lf %lf %lf",&o,&h,&l,&c);
    if(c<o) printf("BW-Solid");
    if(c>o) printf("R-Hollow");
    if(c==o) printf("R-Cross");
    if(l<o&&l<c&&h>o&&h>c) printf(" with Lower Shadow and Upper Shadow");
    else if(l<o&&l<c) printf(" with Lower Shadow");
    else if(h>o&&h>c) printf(" with Upper Shadow");
}

with前后分为两部分,分别判断输出即可。

内容概要:本文详细介绍了一个基于Java和Vue的联邦学习隐私保护推荐系统的设计与实现。系统采用联邦学习架构,使用户数据在本地完成模型训练,仅上传加密后的模型参数或梯度,通过中心服务器进行联邦平均聚合,从而实现数据隐私保护与协同建模的双重目标。项目涵盖完整的系统架构设计,包括本地模型训练、中心参数聚合、安全通信、前后端解耦、推荐算法插件化等模块,并结合差分隐私与同态加密等技术强化安全性。同时,系统通过Vue前端实现用户行为采与个性化推荐展示,Java后端支撑高并发服务与志处理,形成“本地训练—参数上传—全局聚合—模型下发—个性化微调”的完整闭环。文中还提供了关键模块的代码示例,如特征提取、模型聚合、加密上传等,增强了项目的可实施性与工程参考价值。 适合人群:具备一定Java和Vue开发基础,熟悉Spring Boot、RESTful API、分布式系统或机器学习相关技术,从事推荐系统、隐私计算或全栈开发方向的研发人员。 使用场景及目标:①学习联邦学习在推荐系统中的工程落地方法;②掌握隐私保护机制(如加密传输、差分隐私)与模型聚合技术的成;③构建高安全、可扩展的分布式推荐系统原型;④实现前后端协同的个性化推荐闭环系统。 阅读建议:建议结合代码示例深入理解联邦学习流程,重点关注本地训练与全局聚合的协同逻辑,同时可基于项目架构进行算法替换与功能扩展,适用于科研验证与工业级系统原型开发
源码来自:https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
### PTA 平台上的 Python 基础编程练习题 PTA (Programming Teaching Assistant) 是一个在线评测系统,广泛用于高校计算机课程的教学辅助工作。该平台上提供了丰富的 Python 编程题目供学生练习。 对于希望提高 Python 编程技能的学生来说,在 PTA 上可以找到许多基础级别的编程练习题。这些题目通常覆盖了 Python 的核心概念和技术要点,帮助学习者逐步掌握这门语言基础知识[^1]。 下面是一个典型的 Python 练习题实例: #### 题目描述 编写程序接受一系列由空白分隔的单词作为输入,并打印去除所有重复单词并按字母顺序排列后的结果。 #### 输入格式 一行字符串,表示多个被空格分开的单词。 #### 输出格式 去重后按照字典序排序的一行字符串。 #### 示例代码实现如下: ```python def remove_duplicates_and_sort(): # 获取用户输入的数据 words = input().split() # 使用合来消除重复项再转回列表以便排序 unique_words = list(set(words)) # 对唯一单词列表进行排序 sorted_unique_words = sorted(unique_words) # 将排序好的单词连接成单个字符串输出 result = ' '.join(sorted_unique_words) print(result) remove_duplicates_and_sort() ``` 此段代码实现了从控制台读取一串以空格分割的词语,通过 `set()` 函数删除其中可能出现的任何重复词项,之后利用内置函数 `sorted()` 来对剩余的独特词汇做升序处理最后组合起来形成新的句子返回给调用方显示出来[^2]。
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

打赏作者

rvp-age

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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