九度oj 1124 Digital Root

第一版代码如下:
include<stdio.h>

int sum(int n){
	int size,buf[100];
	size=0;
	while(n!=0){
		buf[size]=n%10;
		n/=10;
		size++;
	}
	int m=0;
	for(int i=0;i<size;i++){
		m+=buf[i];
	}
	if(m>=10)	m=sum(m);
	else	return m;
}

int main(){
	int n;
	while(scanf("%d",&n)!=EOF){
		if(n==0)	break;
		int root=sum(n);
		printf("%d\n",root);
	}
	return 0;
} 
当输入的数不超过九位时,正确。一旦超过会出现负数,明显出错。应该是int类型无法存储这么大的数。由于题目没有说明输入的范围,所以改成long也不一定管用。于是将输入改为用数组存储。
#include<stdio.h>
#include<string.h>

void root(char a[]){
	int ans,len,i;
	
	len=strlen(a);
	ans=0;
	for(i=0;i<len;i++){
		ans+=a[i]-'0';
	}
	i=0;
	while(ans!=0){
		a[i]=ans%10+'0';
		ans/=10;
		i++;
	}
	a[i]='\0';
}

int main(){
	char a[10000];
	while(scanf("%s",a)!=EOF && a[0]!='0'){
		while(strlen(a)>1){
			root(a);
		}
		printf("%s\n",a);
	}
	return 0;
}


内容概要:本文介绍了一种利用遗传算法优化BP神经网络进行回归预测的方法,并提供了完整的MATLAB程序代码。主要内容包括数据预处理、遗传算法与BP神经网络的结合、适应度函数的设计以及最终的预测结果展示。文中详细解释了如何将Excel格式的数据导入MATLAB并进行归一化处理,如何定义适应度函数来优化BP神经网络的参数(如激活函数和学习率),并通过遗传算法找到最优解。实验结果显示,在某工业数据集上,经过遗传算法优化后的BP神经网络预测精度显著提高,从原来的0.82提升到了0.91。此外,还提到了一些实用技巧,比如调整遗传代数、修改激活函数等方法进一步改进模型性能。 适合人群:对器学习有一定了解的研究人员和技术爱好者,特别是那些希望深入了解遗传算法与BP神经网络结合应用的人士。 使用场景及目标:适用于需要快速构建高效回归预测模型的场景,尤其是当传统BP神经网络无法达到预期效果时。通过本篇文章的学习,读者能够掌握一种有效的优化手段,从而提高模型的泛化能力和预测准确性。 其他说明:代码可以直接应用于新的数据集,只需确保数据格式符合要求(Excel格式)。对于想要深入探索或改进现有模型的人来说,还可以尝更换不同的激活函数或其他调节方式来获得更好的表现。
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