概率DP

该博客主要探讨了一个关于概率统计的问题,通过输入一组正确率数据,计算在不同正确提交篇数下的概率分布。程序首先对数据进行排序,然后根据每篇的正确率更新概率矩阵,最后找出最大可能性的正确提交组合。此内容涉及概率论、统计计算和算法实现。

添加链接描述

code

#include <bits/stdc++.h>
using namespace std;
int n, a[105];
double p[105], d[105][105];
//d[i][j]代表提交了i篇正确j篇的概率
int main()
{
    scanf("%d", &n);
    for (int i = 1; i <= n; i++)
        scanf("%d", &a[i]);
    sort(a + 1, a + 1 + n, greater<int>());
    for (int i = 1; i <= n; i++)
        p[i] = 1.0 * a[i] / 100;
    d[0][0] = 1.0;
    for (int i = 1; i <= n; i++)
    {
        d[i][0] = d[i - 1][0] * (1.0 - p[i]);
        for (int j = 1; j < i; j++)
            d[i][j] = d[i - 1][j] * (1.0 - p[i]) + d[i - 1][j - 1] * p[i];
        d[i][i] = d[i - 1][i - 1] * p[i];
    }
    double ans = 0;
    for (int i = 1; i <= n; i++)
    {
        double res = 0;
        for (int j = 1; j <= i; j++)
            res += pow(j, 1.0 * j / i) * d[i][j];
        ans = max(ans, res);
    }
    printf("%.10lf\n", ans);
    return 0;
}

提供了基于BP(Back Propagation)神经网络结合PID(比例-积分-微分)控制策略的Simulink仿真模型。该模型旨在实现对杨艺所著论文《基于S函数的BP神经网络PID控制器及Simulink仿真》中的理论进行实践验证。在Matlab 2016b环境下开发,经过测试,确保能够正常运行,适合学习和研究神经网络在控制系统中的应用。 特点 集成BP神经网络:模型中集成了BP神经网络用于提升PID控制器的性能,使之能更好地适应复杂控制环境。 PID控制优化:利用神经网络的自学习能力,对传统的PID控制算法进行了智能调整,提高控制精度和稳定性。 S函数应用:展示了如何在Simulink中通过S函数嵌入MATLAB代码,实现BP神经网络的定制化逻辑。 兼容性说明:虽然开发于Matlab 2016b,但理论上兼容后续版本,可能会需要调整少量配置以适配不同版本的Matlab。 使用指南 环境要求:确保你的电脑上安装有Matlab 2016b或更高版本。 模型加载: 下载本仓库到本地。 在Matlab中打开.slx文件。 运行仿真: 调整模型参数前,请先熟悉各模块功能和输入输出设置。 运行整个模型,观察控制效果。 参数调整: 用户可以自由调节神经网络的层数、节点数以及PID控制器的参数,探索不同的控制性能。 学习和修改: 通过阅读模型中的注释和查阅相关文献,加深对BP神经网络与PID控制结合的理解。 如需修改S函数内的MATLAB代码,建议有一定的MATLAB编程基础。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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