图论: spfa == Shortest Path Fast…

spfa 算法经过实验比 bellman_ford 和 dijkstra 算法还要快.

poj 2387 邻接矩阵47MS 邻接表32MS

 

下面提供两种实现:

邻接表:

#include <cstdio>
#include <iostream>
#include <cstring>
#include <queue>
using namespace std;
#define MAX 10005
const int INF = (1<<30);

struct node
{
    int v;
    int w;
    int next;
}edges[MAX*2];

int n, m;
bool vis[MAX];
int first[MAX];
int num;

void spfa()
{
    queue<int> qu;
    int dist[MAX];
    vis[1] = true;
    for(int i = 1; i <= n; ++i)
        dist[i] = (i == 1? 0 : INF);
    qu.push(1);
    
    while( !qu.empty() )
    {
        int k = qu.front();
        qu.pop();
        vis[k] = false;
        
        for(int e = first[k]; e != -1; e = edges[e].next)
        {
            if(!vis[k] && dist[edges[e].v] > dist[k] + edges[e].w)
            {
                dist[edges[e].v] = dist[k] + edges[e].w;
                if(!vis[edges[e].v])
                {
                    vis[edges[e].v] = true;
                    qu.push(edges[e].v);
                }
            }
        }
    }
    
//    for(int i = 1; i <= n; ++i)
//        cout << dist[i] << endl;
    printf("%d\n",dist[n]);
}

int main()
{
//    freopen("input.txt","r",stdin);
    while(scanf("%d %d",&m,&n) != EOF)
    {
        memset(vis,false,sizeof(vis));
        memset(first,-1,sizeof(first));
        num = 0;
        int u, v, w;
        for(int i = 1; i <= m; ++i)
        {
            scanf("%d %d %d",&u,&v,&w);
            edges[num].v = v;
            edges[num].w = w;
            edges[num].next = first[u];
            first[u] = num;
            num++;
            
            edges[num].v = u;
            edges[num].w = w;
            edges[num].next = first[v];
            first[v] = num;
            num++;
        }
        spfa();
    }
    return 0;
}

 

邻接矩阵:

#include <cstdio>
#include <iostream>
#include <cstring>
#include <queue>
#define MAX 1005
using namespace std;
const int INF = 1<<30;

int n, m;
int map[MAX][MAX];
bool vis[MAX];

void spfa()
{
    int dist[MAX];
    queue<int> qu;
    qu.push(1);
    vis[1] = true;
    
    for(int i =1 ; i <= n; ++i)
        dist[i] = (i == 1 ? 0 : INF);
        
    while( !qu.empty() )
    {
        int k = qu.front();
        qu.pop();
        vis[k] = false;
        
        for(int i =1; i <= n; ++i)
        {
            if(!vis[k] && dist[i] > dist[k] + map[k][i])
            {
                dist[i] = dist[k] + map[k][i];
                if(!vis[i])
                {
                    vis[i] = true;
                    qu.push(i);
                }
            }
        }
    }
    
//    for(int i = 1; i <= n; ++i)
//        cout << dist[i] << endl;
    printf("%d\n",dist[n]);
}

int main()
{
//    freopen("input.txt","r",stdin);
    while(scanf("%d %d",&m,&n) != EOF)
    {
        memset(vis,false,sizeof(vis));
        for(int i = 1; i <= n; ++i)
        {
            for(int j = 1; j <= n; ++j)
            {
                if(i == j)
                    map[i][j] = 0;
                else
                    map[i][j] = INF;
            }
        }
    
        int u, v, w;
        for(int i = 1; i <=m; ++i)
        {
            scanf("%d %d %d",&u,&v,&w);
            if(map[u][v] > w)
                map[u][v] = map[v][u] = w;
        }
        spfa();
    }
    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计算)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