UVA 10048 Audiophobia

UVA_10048

    这个题目是在求所有可达路径中最大值最小的一条路,并输出去其最大值。由题目特征,我们采用Floyd算法求解会方便一些。

#include<stdio.h>
#include<string.h>
int f[110][110];
int main()
{
int i,j,k,n,t,C,S,Q,u,v,temp;
t=0;
while(scanf("%d%d%d",&C,&S,&Q)==3)
{
if(C==0)
break;
for(i=1;i<=C;i++)
for(j=1;j<=C;j++)
{
if(i==j)
f[i][j]=0;
else
f[i][j]=-1;
}
for(i=0;i<S;i++)
{
scanf("%d%d%d",&u,&v,&k);
f[u][v]=f[v][u]=k;
}
for(k=1;k<=C;k++)
for(i=1;i<=C;i++)
for(j=1;j<=C;j++)
if(f[i][k]!=-1&&f[k][j]!=-1)
{
temp=f[i][k]>f[k][j]?f[i][k]:f[k][j];
if(f[i][j]==-1||temp<f[i][j])
f[i][j]=temp;
}
if(t++)
printf("\n");
printf("Case #%d\n",t);
for(i=0;i<Q;i++)
{
scanf("%d%d",&u,&v);
if(f[u][v]==-1)
printf("no path\n");
else
printf("%d\n",f[u][v]);
}
}
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