哈尔滨理工大学 2017 新生赛 D题简析

本文详细解析了将罗马数字转换为阿拉伯数字的算法实现,强调了理解字符与数字转化关系的重要性,分享了C语言编程技巧,包括数组声明、字符串输入注意事项及变量命名建议。

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

闲话不多说,请看题

此图截自ToRe_前辈的博客

 此图截自ToRe_前辈的博客

个人认为此题的难点只在于读懂题意,主要就是明白字符与阿拉伯数字的转化关系,但是作为新手来说,还是有几点问题需要注意:
1 比较大的数组应尽量声明在main函数外,否则程序可能无法运行;
2 使用scanf("%s")输入字符串时,需注意。它碰到空格,TAB,以及换行符就会停下来。
3 可以尽量把变量名声明长一点,增强其可读性,但是在不断的学习中会见到一些比较规范化的变量名,就如len常用来表示字符串的长度。
OK , 代码如下
 

#include<stdio.h>
#include<string.h>
char s[100];
//设置一个数组储存所输入的字符串
int main()
{
    while(scanf("%s", s) != EOF)
    {
        int len = strlen(s), result = 0;
        //得到字符串的长度,以设置循环进行计算
        for(int i = 0; i < len; i++)
        {
            if(s[i] == 'I' && s[i+1] == 'V')
                result -= 1;
            else if(s[i] == 'I' && s[i+1] == 'X')
                result -= 1;
            else if(s[i] == 'X' && s[i+1] == 'L')
                result -= 10;
            else if(s[i] == 'X' && s[i+1] == 'C')
                result -= 10;
            else if(s[i] == 'C' && s[i+1] == 'D')
                result -= 100;
            else if(s[i] == 'C' && s[i+1] == 'M')
                result -= 100;
            else if(s[i] == 'I')
                result += 1;
            else if(s[i] == 'V')
                result += 5;
            else if(s[i] == 'X')
                result += 10;
            else if(s[i] == 'L')
                result += 50;
            else if(s[i] == 'C')
                result += 100;
            else if(s[i] == 'D')
                result += 500;
            else if(s[i] == 'M')
                result += 1000;
        }
        printf("%d\n",result);
    }
    return 0;
}

注 : 本篇文章所用的两张图片均截自ToRe_前辈的博客。

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