[HDU1402] A * B Problem Plus && FFT模板

本文介绍了一种利用快速傅里叶变换(FFT)进行多项式乘法的方法,并给出了详细的C++代码实现。该方法可以高效地计算两个多项式的乘积,尤其适用于处理大规模数据集。
#include<cstdio>
#include<algorithm>
#include<cstring>
#include<iostream>
#include<cmath>
#include<complex>
#define SF scanf
#define PF printf
#define DPI (PI*2)
using namespace std;
typedef long long LL;
struct cpx {
	double re, im;
	cpx () {}
	cpx (double _a, double _b) : re(_a), im(_b) {}
	cpx operator + (const cpx &t) {
		return cpx(re + t.re, im + t.im);
	}
	cpx operator - (const cpx &t) {
		return cpx(re - t.re, im - t.im);
	}
	cpx operator * (const cpx &t) {
		return cpx(re * t.re - im * t.im, im * t.re + re * t.im);
	}
} ;
cpx EXP(double theta)
{
	return cpx(cos(theta), sin(theta));
}
const double PI = acos(-1.0);
const int MAXN = 200000;
char A[MAXN+10], B[MAXN+10];
cpx xi[MAXN+10], xo[MAXN+10], yi[MAXN+10], yo[MAXN+10];
int ans[MAXN+10];
void FFT (cpx *X, int n, int dir)
{
	for(int i = 0, j = 0; i < n; i++) {
		if(j > i) swap(X[i], X[j]);
		int k = n;
		while(j & (k >>= 1)) j ^= k;
		j |= k;
	}
	for(int step = 1; step < n; step <<= 1) {
		double angle = dir * PI / step;
		for(int k = 0; k < step; k++) {
			cpx omegak = EXP(angle * k);
			for(int Ek = k; Ek < n; Ek += step << 1) {
				int KK = Ek + step;
				cpx t = omegak * X[KK];
				X[KK] = X[Ek] - t;
				X[Ek] = X[Ek] + t;
			}
		}
	}
}
int main()
{
	while(~SF("%s%s", A, B)) {
		int len1 = strlen(A) << 1, len2 = strlen(B) << 1;
		int len = 1, Maxl = max(len1, len2);
		while(len < Maxl) len <<= 1;
		for(int i = 0; i <= len; i++) {
			if(i < (len1 >> 1)) {
				xi[i].re = A[i] - '0';
				xi[i].im = 0;
			}
			else xi[i].re = xi[i].im = 0;
		}
		for(int i = 0; i <= len; i++) {
			if(i < (len2 >> 1)) {
				yi[i].re = B[i] - '0';
				yi[i].im = 0;
			}
			else yi[i].re = yi[i].im = 0;
		}
		FFT(xi, len, 1);
		FFT(yi, len, 1);
		for(int i = 0; i < len; i++) xi[i] = xi[i] * yi[i];
		FFT(xi, len, -1);
		for(int i = 0; i < len; i++) xi[i].re /= len;
		int over = len = 0;
		for(int i = ((len1 + len2) >> 1) - 2; i >= 0; i--) {
			int t = xi[i].re + over + 0.5;
			ans[len++] = t % 10;
			over = t / 10;
		}
		while(over) ans[len++] = over % 10, over /= 10;
		len--;
		while(len >= 0 && !ans[len]) len--;
		if(len < 0) len = 0;
		for(int i = len; i >= 0; i--) PF("%d", ans[i]);
		puts("");
	}
}

基于径向基函数神经网络RBFNN的自适应滑模控制学习(Matlab代码实现)内容概要:本文介绍了基于径向基函数神经网络(RBFNN)的自适应滑模控制方法,并提供了相应的Matlab代码实现。该方法结合了RBF神经网络的非线性逼近能力和滑模控制的强鲁棒性,用于解决复杂系统的控制问题,尤其适用于存在不确定性和外部干扰的动态系统。文中详细阐述了控制算法的设计思路、RBFNN的结构与权重更新机制、滑模面的构建以及自适应律的推导过程,并通过Matlab仿真验证了所提方法的有效性和稳定性。此外,文档还列举了大量相关的科研方向和技术应用,涵盖智能优化算法、机器学习、电力系统、路径规划等多个领域,展示了该技术的广泛应用前景。; 适合人群:具备一定自动控制理论基础和Matlab编程能力的研究生、科研人员及工程技术人员,特别是从事智能控制、非线性系统控制及相关领域的研究人员; 使用场景及目标:①学习和掌握RBF神经网络与滑模控制相结合的自适应控制策略设计方法;②应用于电机控制、机器人轨迹跟踪、电力电子系统等存在模型不确定性或外界扰动的实际控制系统中,提升控制精度与鲁棒性; 阅读建议:建议读者结合提供的Matlab代码进行仿真实践,深入理解算法实现细节,同时可参考文中提及的相关技术方向拓展研究思路,注重理论分析与仿真验证相结合。
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