HDU 1171 Big Event in HDU

本文介绍了解决HDU_1171问题的两种方法:生成函数和多重背包。对于多重背包问题,文章详细展示了二进制优化的实现过程,并提及了使用单调队列进一步优化的可能性。

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

HDU_1171

    这个题目可以用生成函数的思路去做,也可以用多重背包的思路去做,而且用多重背包的思路做时可以参考《背包九讲》里面的二进制优化多重背包问题那一块,这样做效率更高。

    另外多重背包问题用单调队列优化之后还可以达到O(VN)的效果,我暂时还没有学,所以就只写了这个二进制优化的版本。

//生成函数
#include<stdio.h>
#include<string.h>
#define MAXD 60
#define MAXM 130000
int N, S, M, value[MAXD], num[MAXD], wa[MAXM], wb[MAXM], *a, *b;
void init()
{
int i, j, k;
S = 0;
for(i = 1; i <= N; i ++)
{
scanf("%d%d", &value[i], &num[i]);
S += value[i] * num[i];
}
M = S / 2;
}
void solve()
{
int i, j, k, *t;
a = wa, b = wb;
memset(b, 0, sizeof(b[0]) * (M + 1));
b[0] = 1;
for(i = 1; i <= N; i ++)
{
memset(a, 0, sizeof(a[0]) * (M + 1));
for(j = 0; j <= num[i]; j ++)
for(k = 0; k + value[i] * j <= M; k ++)
a[k + value[i] * j] += b[k];
t = a, a = b, b = t;
}
for(i = M; i > 0; i --)
if(b[i])
break;
printf("%d %d\n", S - i, i );
}
int main()
{
for(;;)
{
scanf("%d", &N);
if(N < 0)
break;
init();
solve();
}
return 0;
}

 

//多重背包
#include<stdio.h>
#include<string.h>
#define MAXD 500
#define MAXM 130000
int N, M, S, X, value[MAXD], wa[MAXM], wb[MAXM], *a, *b, elem[] = {1, 2, 4, 8, 16, 32, 64, 128};
void init()
{
int i, j, k, v, n;
X = S = 0;
for(i = 0; i < N; i ++)
{
scanf("%d%d", &v, &n);
S += v * n;
for(j = 0; n - elem[j + 1] + 1 > 0; j ++)
value[X ++] = elem[j] * v;
value[X ++] = (n - elem[j] + 1) * v;
}
M = S / 2;
}
void solve()
{
int i, j, k, *t;
a = wa, b = wa;
memset(b, 0, sizeof(b[0]) * (M + 1));
for(i = 0; i < X; i ++)
{
for(j = 0; j <= M; j ++)
{
a[j] = b[j];
if(j >= value[i] && b[j - value[i]] + value[i] > a[j])
a[j] = b[j - value[i]] + value[i];
}
t = a, a = b, b = t;
}
printf("%d %d\n", S - b[M], b[M]);
}
int main()
{
for(;;)
{
scanf("%d", &N);
if(N < 0)
break;
init();
solve();
}
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