poj2328 Guessing Game

本文探讨了如何通过智能算法处理输入信息,并基于特定条件进行筛选与判断,着重介绍了算法在决策过程中的应用。

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

#include<iostream>
#include<string>
#include<vector>
using namespace std;

struct Info//guess信息储存 
{
       int num;
       string guess;
};
vector<Info> v;//储存信息的结构体! 

int main()
{
    int size, i;
    Info info, tmp;
    v.clear();
    bool flag;
    while (cin >> info.num){
          if (info.num == 0)  break;
          cin.get();
          getline(cin, info.guess);
          //如果输入的字符是“right on”的时候就处理,否则就输入到容器v中保存! 
          if (info.guess == "right on"){
              size = v.size();
              flag = false;
              for (i = 0; i < size; i++){
                  if ((v[i].num > info.num && v[i].guess == "too high") || (v[i].num < info.num && v[i].guess == "too low"))
                      continue;
                  else{
                       flag = true;
                       break;
                  }
              }
              if (flag)
                  cout << "Stan is dishonest" << endl;
              else
                  cout << "Stan may be honest" << endl;
              v.clear();
          }
          else   v.push_back(info);
    }
    
    system("pause");
}

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