201 - Squares

本文介绍了一个解决输入方向问题的算法实现过程,包括边界处理、数组初始化及复杂逻辑判断,通过实例展示了如何高效处理不同输入情况,确保算法的正确性和效率。

水题。。。但是有个地方太坑了,就是输入V时的x,y和输入H时是反着的~~~

边界倒是没必要太关注,数组开大点就是了~~

#include<stdio.h>

#include<string.h>
int main(){
    int n,m,j,i,k,s=0,q;
    int h[50][50],v[50][50];
    int maxn[29];
    while(scanf("%d",&n)!=EOF){
        scanf("%d",&m);
        char A[10];
        int x,y;
        memset(h,0,sizeof(h));
        memset(v,0,sizeof(v));
        memset(maxn,0,sizeof(maxn));
        for(i=1;i<=m;i++){
            scanf("%s",A);
            scanf("%d %d",&x,&y);
            if(A[0]=='H')
                h[x][y]=1;
            else
                v[y][x]=1;
        }
        for(j=1;j<=n;j++)
        for(i=1;i<n;i++)
            for(k=1;k<n;k++){
                int ens=1;
                for(q=1;q<=k;q++)
                    if(h[i][j+q-1]==0||h[i+k][j+q-1]==0||v[i+q-1][j]==0||v[i+q-1][j+k]==0){
                        ens=0;break;
                    }
                if(ens==1)
                    maxn[k]++;
            }
        if(s){
            printf("\n**********************************\n\n");
        }
            printf("Problem #%d\n\n",++s);
        int ans=0;
        for(i=1;i<n;i++)
        if(maxn[i]!=0){
            printf("%d square (s) of size %d\n",maxn[i],i);
                ans++;
        }
            if(ans==0)
                printf("No completed squares can be found.\n");
    }
    return 0;
}
这是打印的:✅ 原始数据: yyear child_dependency_ratio elderly_dependency_ratio \ 0 2005年 28.136777 10.674438 1 2006年 27.307822 10.959524 2 2007年 26.775745 11.098473 3 2008年 26.030203 11.332230 4 2009年 25.295433 11.598826 5 2010年 22.272809 11.901379 6 2011年 22.177170 12.230768 7 2012年 22.267122 12.685915 8 2013年 22.191981 13.125365 9 2014年 22.480006 13.759997 10 2015年 22.602943 14.383331 11 2016年 23.034782 14.896526 12 2017年 23.398456 15.877169 13 2018年 23.735572 16.713136 14 2019年 23.795604 17.846954 15 2020年 26.093465 19.679780 16 2021年 25.566169 20.777822 17 2022年 24.829420 21.786497 18 2023年 23.967037 22.525668 19 2024年 23.032254 22.740353 total_dependency_ratio 0 38.811215 1 38.267345 2 37.874219 3 37.362433 4 36.894260 5 34.174188 6 34.407938 7 34.953037 8 35.317346 9 36.240003 10 36.986274 11 37.931308 12 39.275625 13 40.448708 14 41.642559 15 45.773245 16 46.343990 17 46.615917 18 46.492705 19 45.772607 -------------------------------------------------- 📊 相关系数矩阵: child_dependency_ratio elderly_dependency_ratio \ child_dependency_ratio 1.000000 -0.132747 elderly_dependency_ratio -0.132747 1.000000 total_dependency_ratio 0.304905 0.903479 total_dependency_ratio child_dependency_ratio 0.304905 elderly_dependency_ratio 0.903479 total_dependency_ratio 1.000000 -------------------------------------------------- 📈 线性回归模型摘要: OLS Regression Results ================================================================================== Dep. Variable: total_dependency_ratio R-squared: 0.093 Model: OLS Adj. R-squared: 0.043 Method: Least Squares F-statistic: 1.845 Date: Thu, 03 Jul 2025 Prob (F-statistic): 0.191 Time: 00:07:12 Log-Likelihood: -56.261 No. Observations: 20 AIC: 116.5 Df Residuals: 18 BIC: 118.5 Df Model: 1 Covariance Type: nonrobust ========================================================================================== coef std err t P>|t| [0.025 0.975] ------------------------------------------------------------------------------------------ Intercept 22.4821 12.623 1.781 0.092 -4.038 49.002 child_dependency_ratio 0.7050 0.519 1.358 0.191 -0.385 1.796 ============================================================================== Omnibus: 4.201 Durbin-Watson: 0.042 Prob(Omnibus): 0.122 Jarque-Bera (JB): 2.701 Skew: 0.717 Prob(JB): 0.259 Kurtosis: 1.912 Cond. No. 324. ============================================================================== Notes: [1] Standard Errors assume that the covariance matrix of the errors is correctly specified. -------------------------------------------------- 📉 残差分析数据: child_dependency_ratio total_dependency_ratio predicted residuals 0 28.14 38.81 42.32 -3.51 1 27.31 38.27 41.74 -3.47 2 26.78 37.87 41.36 -3.49 3 26.03 37.36 40.83 -3.47 4 25.30 36.89 40.32 -3.42 5 22.27 34.17 38.19 -4.01 6 22.18 34.41 38.12 -3.71 7 22.27 34.95 38.18 -3.23 8 22.19 35.32 38.13 -2.81 9 22.48 36.24 38.33 -2.09 10 22.60 36.99 38.42 -1.43 11 23.03 37.93 38.72 -0.79 12 23.40 39.28 38.98 0.30 13 23.74 40.45 39.22 1.23 14 23.80 41.64 39.26 2.38 15 26.09 45.77 40.88 4.89 16 25.57 46.34 40.51 5.84 17 24.83 46.62 39.99 6.63 18 23.97 46.49 39.38 7.11 19 23.03 45.77 38.72 7.05 -------------------------------------------------- 'C:\\Users\\LYB\\线性回归残差图9.html' ​ 这个html图并没有明显数据,只有横轴纵轴
07-04
【无人机】基于改进粒子群算法的无人机路径规划研究[和遗传算法、粒子群算法进行比较](Matlab代码实现)内容概要:本文围绕基于改进粒子群算法的无人机路径规划展开研究,重点探讨了在复杂环境中利用改进粒子群算法(PSO)实现无人机三维路径规划的方法,并将其与遗传算法(GA)、标准粒子群算法等传统优化算法进行对比分析。研究内容涵盖路径规划的多目标优化、避障策略、航路点约束以及算法收敛性和寻优能力的评估,所有实验均通过Matlab代码实现,提供了完整的仿真验证流程。文章还提到了多种智能优化算法在无人机路径规划中的应用比较,突出了改进PSO在收敛速度和全局寻优方面的优势。; 适合人群:具备一定Matlab编程基础和优化算法知识的研究生、科研人员及从事无人机路径规划、智能优化算法研究的相关技术人员。; 使用场景及目标:①用于无人机在复杂地形或动态环境下的三维路径规划仿真研究;②比较不同智能优化算法(如PSO、GA、蚁群算法、RRT等)在路径规划中的性能差异;③为多目标优化问题提供算法选型和改进思路。; 阅读建议:建议读者结合文中提供的Matlab代码进行实践操作,重点关注算法的参数设置、适应度函数设计及路径约束处理方式,同时可参考文中提到的多种算法对比思路,拓展到其他智能优化算法的研究与改进中。
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