第一

1.打印100~200 之间的素数

#include<stdio.h>
#include<stdlib.h>
#include<math.h>
int main()
{
    int n;
    int i;
    for (n = 100; n <= 200; n++)
    {
        int sqrtres = sqrt(n);
        for (i = 2; i <= sqrtres; i++)
        {
            if (n % i == 0)
            {
                break;
            }

        }
        if (i == sqrtres + 1)
        {
            printf("%d\n", n);
        }
    }
        system("pause");
            return 0;
    

}
2.输出乘法口诀表

#include<stdio.h>
#include<stdlib.h>
int main()
{
    int n = 9;
    int i,j;
    for (i = 1; i <= n; i++)
    {
        for (j = 1; j <= i; j++)
        {
            printf("%d*%d == %d", j, i, i * j);
        }
        putchar('\n');
    }
    system("pause");
    return 0;

 

 

}
3. 判断1000年---2000年之间的闰年

#include<stdio.h>
int main()
{
    int year;
    for (year = 1000; year <= 2000; year++)
    {
        if (year % 400 == 0)
        {
            printf("%d\n", year);
        }
        if (year % 4 == 0)
        {
            printf("%d\n", year);
        }
    }
    system("pause");
    return 0;


}

内容概要:本文介绍了一个基于冠豪猪优化算法(CPO)的无人机三维路径规划项目,利用Python实现了在复杂三维环境中为无人机规划安全、高效、低能耗飞行路径的完整解决方案。项目涵盖空间环境建模、无人机动力学约束、路径编码、多目标代价函数设计以及CPO算法的核心实现。通过体素网格建模、动态障碍物处理、路径平滑技术和多约束融合机制,系统能够在高维、密集障碍环境下快速搜索出满足飞行可行性、安全性与能效最优的路径,并支持在线重规划以适应动态环境变化。文中还提供了关键模块的代码示例,包括环境建模、路径评估和CPO优化流程。; 适合人群:具备一定Python编程基础和优化算法基础知识,从事无人机、智能机器人、路径规划或智能优化算法研究的相关科研人员与工程技术人员,尤其适合研究生及有一定工作经验的研发工程师。; 使用场景及目标:①应用于复杂三维环境下的无人机自主导航与避障;②研究智能优化算法(如CPO)在路径规划中的实际部署与性能优化;③实现多目标(路径最短、能耗最低、安全性最高)耦合条件下的工程化路径求解;④构建可扩展的智能无人系统决策框架。; 阅读建议:建议结合文中模型架构与代码示例进行实践运行,重点关注目标函数设计、CPO算法改进策略与约束处理机制,宜在仿真环境中测试不同场景以深入理解算法行为与系统鲁棒性。
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