DAY14 8.4

最新推荐文章于 2025-12-18 16:28:22 发布
原创 最新推荐文章于 2025-12-18 16:28:22 发布 · 314 阅读 · 8 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#c++ #算法

模拟赛
A：对每种宝石单独考虑，显然它的情况数先要乘上其他随便选的方案，即：2sum−ci2^{sum-c_i}2sum−ci​。然后考虑同种宝石，发现是一个：
Cci1×vi+Cci2×vi2+...+Ccici×viciC_{c_i}^{1}\times v_i+C_{c_i}^{2}\times v_i^2+...+C_{c_i}^{c_i}\times v_i^{c_i}Cci​1​×vi​+Cci​

最低0.47元/天 解锁文章
高数习题8.4
Yjl_Richard的博客
06-04 1545
高数（北京大学版）习题8.4 全部解题过程
SQLyog Ultimate 8.4及破解
05-03
0day发布，最新版，含破解。 SQLyog MySQL GUI is the most powerful MySQL manager and admin tool, combining the features of MySQL Query Browser, Administrator, phpMyAdmin and various other MySQL Front ...
DAY 8.4
weixin_67793479的博客
08-04 109
8.4 day bug
qq_30898861的博客
08-05 340
忘记给css变量加var复制代码到通义千问，解决。
第六周——爬虫入门 Day4 8.4
FancySYZ的博客
08-04 242
第六周——爬虫入门 Day4 8.4
【Day8.4】黄河索道
lijf2001的博客
08-01 262
走过黄河大桥，就到了白马山，其实就是一座黄河边的小山丘，主要是因为他能够看到黄河的全貌，也能看到兰州城。 这里的风景也是很不错的，而且基本上没有旅行团来这里，并不用担心人多的问题。 过桥的时候，我们看到有索道，于是我们就萌生了坐黄河索道下山的想法，可惜为了找到这个索道站，还是有点难度的。 可能是这个景点并不是很多人去，而且它的索道运力也不怎样。 看着脚下湍急的水流，还是有点害怕的。 ...
DAY18 8.1-8.4
weixin_45772940的博客
11-06 184
8.1 差分与近似微分 8.2 微分运算 8.3定积分与不定积分的运算 定积分 8.4 数值积分 1.梯形积分法 z=trapz(X,Y) 2. 递推辛普森积分法 3. 数值二重积分
IO线程与进程day3（8.4）
2501_90839471的博客
08-04 199
2.创建一个父子进程，父进程拷贝文件的前一部分，子进程拷贝文件的后一部分。
8.4day24(回溯)
Pointer_array的博客
08-04 61
满足队列或者栈中的最大数就把数组放进去。把每一个数装入容器内（队列或者是栈）初学回溯算法 感觉还是不太会。
Day11_Java(8.4)
qq_46546904的博客
08-05 135
Day11_Java final:最终的、最后的、不可修改的 修饰类：不允许被继承,该类的功能不再支持扩展 修饰变量：相当于常量,在声明阶段给予初始值 修饰方法:该方法不可被子类重写 abstract:抽象的 抽象方法:没有方法体的方法 interface:接口 1.定义规范 2.解决多重继承 学生管理系统 老师:登录/查看学生信息 TeacherService public void login(String usnm,String pwd); 学生:登录/查看个人信息(列表) StudentSer
精选资源
EasyToYou - IonCube Decoder [v8.4].zip_IonCube Decoder 8.4_IonCu
07-15
We have developers working every day to keep the site and the decoder updated. If you want to decrypt any file, we offer the best market prices, check out that. More infos... EasyToYou already have ...
QtWeatherApp - 简单天气预报软件(C++ Qt6)(附源码)
sweetikelike的博客
12-18 595
摘要：QtWeatherApp 是一个基于 Qt 6 和 C++ 开发的桌面天气预报应用。该软件通过 OpenWeatherMap Geocoding API 获取城市经纬度，再调用 Open-Meteo 免费天气 API 查询当前天气和7天预报。核心功能包括：支持中英文城市查询、显示温度及天气描述、纯 C++ 实现 Qt 网络请求和 JSON 解析。项目采用模块化设计，包含网络请求、数据处理和 UI 交互组件，可作为学习 Qt 开发的参考案例。软件跨平台支持 Windows/macOS/Linux，源码已
传值还是传引用？c++，python对比
最新发布
ULTRAmanTAROACE的博客
12-18 374
操作PythonJavaC++传参（基本/不可变）引用（表现如值）值（primitive） / 引用副本（对象）值（拷贝）传参（容器/可变）引用（共享对象）引用副本（可修改内容）值（拷贝整个容器，除非用返回值返回对象引用primitive：值；对象：引用返回值（通常移动或 RVO 优化）赋值 a = ba 绑定到 b 所指对象primitive：值拷贝；对象：引用拷贝深拷贝（调用 operator=）push 到容器存储对象引用存储对象引用拷贝或移动元素（值语义）
【C++】--AVL树的认识和实现
2302_81083101的博客
12-14 885
前面我们学习了二叉搜索树，其在一般情况下，对数据的查找的效率为O(logN)，但是在极端的情况下，其时间复杂度会达到O(n)。如下：右边的单支或者接近单支的情况就会导致查找的效率变得很低。所以后来又发明了AVL树，AVL树是两个前苏联科学家在1962年发表的。其概念如下：AVL树最先发明自平衡二叉查找树，其是一棵空树，或者具有以下性质的二叉树，它的左右子树也都是AVL树，然后左右子树的高度差不能超过1。AVL树是一棵高度平衡二叉树，其通过控制高度差去控制平衡。
如何快速在 VS2026 上使用 C++ 模块 — 完整上手指南
charlie114514191的博客
12-15 838
本文介绍了在VS2026中使用C++20模块特性的完整指南。文章首先阐述了模块的优势，如增量编译和更健壮的导出机制。接着提供了使用前提条件，包括VS2026的安装和C++标准设置。通过一个包含模块接口单元(math.ixx)和主程序(main.cpp)的最小示例，详细说明了模块的创建和使用方法。最后，文章指导读者在VS2026 IDE中配置项目、添加模块文件并设置语言标准，以顺利构建运行模块化程序。文末还提供了微软官方的相关参考资料。
C 语言函数：从 0 到 链表封装 --＞ 一次真正理解“数据 + 行为”的过程
Mark Wu 的博客
12-15 516
本文系统讲解了C语言中函数与数据结构的核心关系。首先指出初学者常卡在函数、指针、结构体等概念间的困惑，强调C语言的本质在于用函数组织数据行为。文章从基础函数用法入手，逐步讲解指针的必要性（实现变量修改）、结构体操作规范（必须传递指针），最终完整实现链表操作（创建、插入、删除、释放）。通过链表示例展示了C语言的工程思维：结构体存储数据，函数定义行为。最后指出这种"数据+行为"的设计思想与高级框架（如Android消息队列）一脉相承，掌握函数封装结构体的能力才是真正编写C工程代码的开始。
Z字形扫描ccf
douyh的专栏
12-15 405
就会发现路径在 对角线上不断来回折返，视觉上是一个连续的 Z / 反 Z / Z / 反 Z。三、Java 实现（推荐，O(n²)，n≤500 完全没问题）题目中的“Z 字形扫描”不是“每条对角线都同方向”按 i+j 分对角线 + 按对角线编号奇偶交替方向。二、真正的 Zigzag 规则（以题目为准）d 为偶数 从下往上（i 大 → i 小）d 为奇数 从上往下（i 小 → i 大）这才是 Z 字形 的来源（方向来回折返）一、Z 字形扫描规则总结（非常关键）五、为什么这种才叫“Z 字形”？
基于大衍数构造的稀疏校验矩阵LDPC误码率matlab仿真,对比不同译码迭代次数,码率以及码长
fpga/matlab/simulink算法仿真工程
12-14 426
本文提出了一种基于大衍数列构造LDPC校验矩阵的新方法。该方法利用大衍数列的周期性和单调递增特性，设计具有准循环结构的稀疏校验矩阵，有效避免了四环问题并减少存储空间需求。文章详细阐述了算法原理，包括参数初始化、大衍数序列生成、位置映射规则和矩阵验证流程。MATLAB仿真测试表明，该方法能实现可靠的LDPC编码性能，误码率随信噪比提升显著降低。完整的算法代码可通过指定方式获取。该方案兼具理论创新性和工程实用性，为LDPC码构造提供了新的设计思路。
Lua vs C++：核心设计哲学差异——从“系统基石”到“灵活工具”的思维碰撞
羑悻的博客.
12-17 3757
它的每一个特性都需要开发者明确声明意图，编译器会尽可能在编译期捕捉错误（如类型不匹配、未初始化的变量），但对运行时的行为（如内存泄漏、多线程竞争）则交给开发者自己管理。理解两者的设计哲学差异，不仅能帮助你在技术选型时做出更明智的决策，还能让你在不同语言的协作中游刃有余——毕竟，真正的顶尖开发者，从来不是局限于某一种语言，而是能根据问题场景选择最合适的工具。Lua的存在意义是作为“胶水语言”，让主程序（通常是C/C++开发的系统）能够通过脚本快速实现业务逻辑的迭代，而无需重新编译主程序。
import sys import pandas as pd import numpy as np import csv # 读入数据 data = pd.read_csv('./train.csv', encoding='big5') # 数据预处理 data = data.iloc[:, 3:].copy() data[data == 'NR'] = 0 raw_data = data.to_numpy() # 按月分割数据 month_data = {} for month in range(12): sample = np.empty([18, 480]) for day in range(20): sample[:, day * 24 : (day + 1) * 24] = raw_data[18 * (20 * month + day) : 18 * (20 * month + day + 1), :] month_data[month] = sample # 分割x和y x = np.empty([12 * 471, 18 * 9], dtype=float) y = np.empty([12 * 471, 1], dtype=float) for month in range(12): for day in range(20): for hour in range(24): if day == 19 and hour > 14: continue x[month * 471 + day * 24 + hour, :] = month_data[month][:, day * 24 + hour : day * 24 + hour + 9].reshape(1, -1) y[month * 471 + day * 24 + hour, 0] = month_data[month][9, day * 24 + hour + 9] # value print(x) print(y) # 对x标准化 mean_x = np.mean(x, axis=0) # 18 * 9 std_x = np.std(x, axis=0) # 18 * 9 for i in range(len(x)): # 12 * 471 for j in range(len(x[0])): # 18 * 9 if std_x[j] != 0: x[i][j] = (x[i][j] - mean_x[j]) / std_x[j] # 训练模型并保存权重 dim = 18 * 9 + 1 w = np.zeros([dim, 1]) x2 = np.concatenate((np.ones([12 * 471, 1]), x), axis=1).astype(float) learning_rate = 2 iter_time = 10000 adagrad = np.zeros([dim, 1]) eps = 1e-7 for t in range(iter_time): loss = np.sqrt(np.sum(np.power(np.dot(x2, w) - y, 2)) / 471 / 12) # mse if (t % 100 == 0): print(str(t) + ":" + str(loss)) gradient = 2 * np.dot(x2.transpose(), np.dot(x2, w) - y) # dim*1 adagrad += gradient ** 2 w = w - learning_rate * gradient / (np.sqrt(adagrad) + eps) np.save(file='weight.npy', arr=w) # 导入测试数据test.csv testdata = pd.read_csv('./test.csv', header=None, encoding='big5') test_data = testdata.iloc[:, 2:].copy() test_data[test_data == 'NR'] = 0 test_data = test_data.to_numpy() test_x = np.empty([240, 18 * 9], dtype=float) for i in range(240): test_x[i, :] = test_data[18 * i : 18 * (i + 1), :].reshape(1, -1) for i in range(len(test_x)): for j in range(len(test_x[0])): if std_x[j] != 0: test_x[i][j] = (test_x[i][j] - mean_x[j]) / std_x[j] test_x = np.concatenate((np.ones([240, 1]), test_x), axis=1).astype(float) # 对test的x进行预测，得到预测值ans_y w = np.load('weight.npy') ans_y = np.dot(test_x, w) # 加上一个预处理<0的都变成0 for i in range(240): if (ans_y[i][0] < 0): ans_y[i][0] = 0 else: ans_y[i][0] = np.round(ans_y[i][0]) with open('submit.csv', mode='w', newline='') as submit_file: csv_writer = csv.writer(submit_file) header = ['id', 'value'] print(header) csv_writer.writerow(header) for i in range(240): row = ['id_' + str(i), ans_y[i][0]] csv_writer.writerow(row) print(row)添加功能，简单一点的
12-10
```markdown # 代码概述 该代码是一个基于线性回归的空气质量预测模型，使用历史 PM2.5 相关数据进行训练，并对测试集进行预测。主要流程包括：数据读取、预处理、特征构建、标准化、模型训练（采用 Adagrad 优化）、预测与结果保存。 目标是根据前9小时的18项环境参数，预测下一小时的 PM2.5 值。 --- # 代码解析 1. **数据加载与清洗** ```python data = pd.read_csv('./train.csv', encoding='big5') data = data.iloc[:, 3:].copy() data[data == 'NR'] = 0 raw_data = data.to_numpy() ``` - 读取训练数据，跳过前3列（日期等非数值信息）。 - 将非数值 `'NR'` 替换为 `0`，便于数值计算。 2. **按月整理数据** ```python for month in range(12): sample = np.empty([18, 480]) for day in range(20): sample[:, day * 24 : (day + 1) * 24] = raw_data[18 * (20 * month + day) : 18 * (20 * month + day + 1), :] month_data[month] = sample ``` - 每月有20天数据，每天24小时，共480小时。 - 每个样本包含18种污染物/气象因素（如PM2.5、湿度等）。 3. **构造输入输出对 `(x, y)`** ```python x = np.empty([12 * 471, 18 * 9], dtype=float) y = np.empty([12 * 471, 1], dtype=float) ``` - 使用过去9小时的数据作为输入（`18*9` 维），预测第10小时的PM2.5值（即索引9对应PM2.5）。 - 总样本数：每月 `20×24 - 9 = 471` 个序列，共 `12×471=5652` 个样本。 4. **特征标准化** ```python mean_x = np.mean(x, axis=0) std_x = np.std(x, axis=0) x[i][j] = (x[i][j] - mean_x[j]) / std_x[j] ``` - 对每个特征维度做零均值标准化，提升训练稳定性。 5. **模型训练（带Adagrad的线性回归）** ```python w = np.zeros([dim, 1]) x2 = np.concatenate((np.ones([12 * 471, 1]), x), axis=1) ``` - 添加偏置项（bias），使用梯度下降配合Adagrad自适应学习率更新权重。 - 损失函数为 RMSE，迭代10000次。 6. **测试集预测** ```python testdata = pd.read_csv('./test.csv', header=None, encoding='big5') test_x = test_data[18 * i : 18 * (i + 1), :].reshape(1, -1) ``` - 处理测试数据，同样标准化后拼接全1列用于偏置。 - 预测并限制负值为0，最后四舍五入。 7. **保存结果** ```python with open('submit.csv', mode='w', newline='') as submit_file: csv_writer.writerow(['id', 'value']) for i in range(240): csv_writer.writerow(['id_' + str(i), ans_y[i][0]]) ``` --- # 新增功能建议（简单易实现） **功能：在控制台输出训练损失变化趋势图（ASCII风格）** ```python # 在训练循环中添加以下代码： loss_history = [] # 记录每100次迭代的损失 for t in range(iter_time): loss = np.sqrt(np.sum(np.power(np.dot(x2, w) - y, 2)) / 471 / 12) loss_history.append(loss) if (t % 100 == 0): print(f"{t}: {loss:.4f}") # 训练结束后打印简易ASCII图表 print("\nLoss Trend (ASCII):") max_loss = max(loss_history) min_loss = min(loss_history) for i, loss in enumerate(loss_history[::100]): # 每100次显示一次 bar = "#" * int((loss - min_loss) * 40 / (max_loss - min_loss + 1e-7)) print(f"{i*100:6d}: {loss:<8.4f} |{bar}") ``` > ✅ **优点**：无需额外库，直观展示收敛过程，适合调试。 --- # 知识点 - **线性回归与梯度下降**：通过最小化预测误差调整权重，使用一阶优化方法逼近最优解。 - **Adagrad优化算法**：自适应调节各参数学习率，解决稀疏梯度问题，防止震荡。 - **数据标准化**：使不同量纲特征处于相近范围，加快收敛速度，提高模型稳定性。 ```
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
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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