07 2017 档案

摘要:解题关键:将每头牛看到的牛头数总和转化为每头牛被看到的次数,然后用单调栈求解,其实做这道题的目的只是熟悉下单调栈 此题为递减栈 数组实现: 阅读全文
posted @ 2017-07-29 22:16 Elpsywk 阅读(187) 评论(0) 推荐(0)
摘要:莫比乌斯有两种反演形式: \[\begin{array}{l}f(n) = \sum\limits_{d|n} {u(d)F(\frac{n}{d})} \\f(n) = \sum\limits_{n|d} {u(\frac{d}{n})F(d)} \end{array}\] 最简单筛法 线性筛法: 阅读全文
posted @ 2017-07-28 19:04 Elpsywk 阅读(1859) 评论(0) 推荐(1)
摘要:第一题,签到,参照一个人,考虑另外一个人的上限和下限 1 #include<bits/stdc++.h> 2 using namespace std; 3 typedef long long ll; 4 int main(){ 5 int tt,n,x,y,num; 6 string s,t; 7 阅读全文
posted @ 2017-07-27 19:29 Elpsywk 阅读(293) 评论(0) 推荐(0)
摘要:一题签到 -1 和不减的位数相同,故可简化 1 #include<bits/stdc++.h> 2 using namespace std; 3 typedef long long ll; 4 int main(){ 5 int n; 6 int k=1; 7 while(cin>>n){ 8 ll 阅读全文
posted @ 2017-07-27 01:06 Elpsywk 阅读(244) 评论(0) 推荐(0)
摘要:A 签到 1 #include<bits/stdc++.h> 2 using namespace std; 3 typedef long long ll; 4 int main(){ 5 ll n,k; 6 cin>>n>>k; 7 ll ans=n/k; 8 if(ans%2==1){ 9 cou 阅读全文
posted @ 2017-07-25 01:20 Elpsywk 阅读(179) 评论(0) 推荐(0)
摘要:A #include<bits/stdc++.h> using namespace std; typedef long long ll; int main(){ int n,num=0; string s; cin>>n; cin>>s; for(int i=0;i<n;i++){ if(s[i]! 阅读全文
posted @ 2017-07-24 03:02 Elpsywk 阅读(134) 评论(0) 推荐(0)
摘要:机器学习与神经网络的关系: 机器学习是目的,神经网络是算法。神经网络是实现机器学习的一种方法,平行于SVM。 常用的两种工具:svm tool、libsvm SVM分为SVC和SVR,svc是专门用来分类的,svr是用来作回归的 注:matlab自带的svm工具箱无回归预测功能 函数介绍:http: 阅读全文
posted @ 2017-07-21 22:25 Elpsywk 阅读(4455) 评论(1) 推荐(1)
摘要:循环结构:for语句格式:for 循环变量=表达式1:表达式2:表达式3 循环体end【注】:表达式1:循环变量初值, 表达式2:步长,为1时,可省略; 表达式3:循环变量终值。或: for循环变量=矩阵表达式 循环体 end【注】:执行过程是依次将矩阵的各列元素赋给循环变量,然后执行循环体语句,直 阅读全文
posted @ 2017-07-21 17:49 Elpsywk 阅读(770) 评论(0) 推荐(1)
摘要:理论基础:大数定理,当频数足够多时,频率可以逼近概率,从而依靠概率与$\pi$的关系,求出$\pi$ 所以,rand在Monte Carlo中是必不可少的,必须保证测试数据的随机性。 用蒙特卡洛方法进行计算机模拟的步骤:[1] 设计一个逻辑框图,即模拟模型.[2] 根据流程图编写程序,模拟随机现象. 阅读全文
posted @ 2017-07-21 02:54 Elpsywk 阅读(3681) 评论(2) 推荐(0)
摘要:基本就三个函数: newff():创建一个bp神经网络 train():训练函数 sim():仿真函数 同时具有可视化界面,但目前不知道可视化界面如何进行仿真,且设置不太全 工具箱:Neural net fitting textread使用方法:http://blog.sina.com.cn/s/b 阅读全文
posted @ 2017-07-21 00:43 Elpsywk 阅读(8753) 评论(0) 推荐(1)