结对开发-- 一维数组求和最大的子数组的大数溢出问题

本文详细介绍了如何通过逆向思维解决大数溢出问题,包括设计思路、源代码实现及运行结果分析。作者韩雪东和高扬分享了他们从困惑到最终解决的过程,强调了程序完善性和团队合作的重要性。

结对人员:韩雪东,高扬

一、设计思路

   对于大数溢出问题开始很迷茫,不大懂该干什么,思路匮乏。因为只要溢出这个数就不会被存储被改变,这样导致很难去判断溢出后该怎样做,但后来我们改变了一下思路,采用逆向思维,首先找到能存储的最大数,用它来减去将要运行的数,从而与即将要加的数比较,如果小了咋说明相加后会产生溢出,直接结束程序。

二、源代码

// ceshi.cpp : Defines the entry point for the console application.
//作者:韩雪东,高扬
//时间:2015/3/29

//#include "stdafx.h"
#include "stdio.h"
#include "stdlib.h"
#include "time.h"

int shuchu(int m[],int szcdx,int xhy)//m[]表示要测试的数组,szchx表示数组长度,xhy表示循环条件
{
    int t,p;
    int max,sum;
    //缓存数组赋值
    int c[10];
    int v[10];
    for(t=szcdx-xhy-1;t<szcdx;t++)
    {
        c[t-szcdx+xhy+1]=m[t];
    }
    //循环
    for(t=xhy;t>=0;t--)
    {
        sum=0;
        for(p=0;p<=t;p++)
        {
            if(2147483647-sum<c[p])
            {
                printf(" 数值过大 ");
                system("PAUSE");
                
            }
            sum=sum+c[p];
        }
        v[t]=sum;
        
        
        
    }
    //循环输出最大值
    max=v[0];
    for(t=0;t<xhy+1;t++)
    {
        if(max<=v[t])
        {
            max=v[t];
        }
        printf(" %d  ",v[t]);
    }
    
    return max;
}

int main(int argc, char* argv[])
{
    srand(time(NULL));
    int a[10];
    for(int j=0;j<10;j++)
    {
        a[j]=rand()%100000+20000000;
    }

    int maxx[10];
    
    for(int i=9;i>=0;i--)
    {
        printf("包含数组中第%d个数在内的所有相邻子数组的和:",10-i);
        maxx[i]=shuchu(a,10,i);
        printf("\n%d\n\n",maxx[i]);
    
    }
    int maxxx=maxx[0];
    for(i=0;i<10;i++)
    {
        if(maxxx<=maxx[i])
        {
            maxxx=maxx[i];

        }
    }
    printf("\n\n该数组的所有子数组的和的最大值:%d\n\n",maxxx);
    return 0;
}

三、结果截图

四、心得体会

  这是老师对我们程序完善性的考验,以前基本没有考虑过这种情况,我想我们的思路可能存在着漏洞,但这是我们两个人经过很长时间讨论,网上查资料,最后的结果,即使不怎么好,但也是我们共同努力的结果,值了。

五、附图

转载于:https://www.cnblogs.com/gaoyang110/p/4376477.html

内容概要:本文系统介绍了算术优化算法(AOA)的基本原理、核心思想及Python实现方法,并通过图像分割的实际案例展示了其应用价值。AOA是一种基于种群的元启发式算法,其核心思想来源于四则运算,利用乘除运算进行全局勘探,加减运算进行局部开发,通过数学优化器加速函数(MOA)和数学优化概率(MOP)动态控制搜索过程,在全局探索与局部开发之间实现平衡。文章详细解析了算法的初始化、勘探与开发阶段的更新策略,并提供了完整的Python代码实现,结合Rastrigin函数进行测试验证。进一步地,以Flask框架搭建前后端分离系统,将AOA应用于图像分割任务,展示了其在实际工程中的可行性与高效性。最后,通过收敛速度、寻优精度等指标评估算法性能,并提出自适应参数调整、模型优化和并行计算等改进策略。; 适合人群:具备一定Python编程基础和优化算法基础知识的高校学生、科研人员及工程技术人员,尤其适合从事人工智能、图像处理、智能优化等领域的从业者;; 使用场景及目标:①理解元启发式算法的设计思想与实现机制;②掌握AOA在函数优化、图像分割等实际问题中的建模与求解方法;③学习如何将优化算法集成到Web系统中实现工程化应用;④为算法性能评估与改进提供实践参考; 阅读建议:建议读者结合代码逐行调试,深入理解算法流程中MOA与MOP的作用机制,尝试在不同测试函数上运行算法以观察性能差异,并可进一步扩展图像分割模块,引入更复杂的预处理或后处理技术以提升分割效果。
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