初学算法之---pta fun with numbers

简介: 初学算法之---pta fun with numbers
  #include<stdio.h>
  #include<math.h>
  #include<string.h>
int main(){
  char a[21];
  char b[21]={0};
  scanf("%s",&a);
    int len=strlen(a);
  /*
  for(int i=0;i<len;i++){
    array[i]
  }
  */
  //统计数字出现次数 下标就是数字 
  int num1[10] = {0};
  for(int i=0;i<len;i++){
    int j=a[i]-'0';
    num1[j]++;
  }
  int index=len;
  for(int j=len;j>0;j--){ 
    int nums=(a[index-1]-'0')*2;
    if(nums>=10){//产生进位 
      b[j]+=nums%10 ;
      b[j-1]+=nums/10;
    }else{
      b[j]+=nums;
    }
    index--;
  }
  //计算b数组的数字种类
   int num2[10] = {0};
  for(int i=0;i<len;i++){
    //printf("%d ",b[i+1]);
    int j=b[i+1];
    num2[j]++;
  }
  /*如果发生多出一位则no*/
  if(b[0]!=0){
    printf("No\n");
    for(int j=0;j<=len;j++){
      printf("%d",b[j]);
    }
    return 0;
  }
  //比较ab 是否数字种类不一致
  int round;
  if(len>9){
    round=10;
  }
  for(int i=0;i<round;i++){
    if(num1[i]==0&&num2[i]!=0){
      printf("No\n");
      for(int j=1;j<=len;j++){
      printf("%d",b[j]);
    }
    return 0; 
  }
  if(num1[i]!=0&&num2[i]==0){
      printf("No\n");
      for(int j=1;j<=len;j++){
      printf("%d",b[j]);
    }
    return 0; 
  }
} 
  //满足条件yes 
  printf("Yes\n");
  for(int j=1;j<=len;j++){
      printf("%d",b[j]);
  }
}
目录
打赏
0
0
0
0
0
分享
相关文章
【基础算法】[PTA]-找出不是两个数组共有的元素
【基础算法】[PTA]-找出不是两个数组共有的元素
算法创作|PTA-求满足条件的斐波那契数
算法创作|PTA-求满足条件的斐波那契数
276 0
初学算法之---pta吉老师回归(简单题)
初学算法之---pta吉老师回归(简单题)
初学算法之二叉树---求树的高度 pta
初学算法之二叉树---求树的高度 pta
基于WOA鲸鱼优化的BiLSTM双向长短期记忆网络序列预测算法matlab仿真,对比BiLSTM和LSTM
本项目基于MATLAB 2022a/2024b实现,采用WOA优化的BiLSTM算法进行序列预测。核心代码包含完整中文注释与操作视频,展示从参数优化到模型训练、预测的全流程。BiLSTM通过前向与后向LSTM结合,有效捕捉序列前后文信息,解决传统RNN梯度消失问题。WOA优化超参数(如学习率、隐藏层神经元数),提升模型性能,避免局部最优解。附有运行效果图预览,最终输出预测值与实际值对比,RMSE评估精度。适合研究时序数据分析与深度学习优化的开发者参考。
基于GA遗传优化的BiLSTM双向长短期记忆网络序列预测算法matlab仿真,对比BiLSTM和LSTM
本内容包含基于BiLSTM与遗传算法(GA)的算法介绍及实现。算法通过MATLAB2022a/2024b运行,核心为优化BiLSTM超参数(如学习率、神经元数量),提升预测性能。LSTM解决传统RNN梯度问题,捕捉长期依赖;BiLSTM双向处理序列,融合前文后文信息,适合全局信息任务。附完整代码(含注释)、操作视频及无水印运行效果预览,适用于股票预测等场景,精度优于单向LSTM。
基于PSO粒子群优化的BiLSTM双向长短期记忆网络序列预测算法matlab仿真,对比BiLSTM和LSTM
本项目基于MATLAB2022a/2024b开发,结合粒子群优化(PSO)算法与双向长短期记忆网络(BiLSTM),用于优化序列预测任务中的模型参数。核心代码包含详细中文注释及操作视频,涵盖遗传算法优化过程、BiLSTM网络构建、训练及预测分析。通过PSO优化BiLSTM的超参数(如学习率、隐藏层神经元数等),显著提升模型捕捉长期依赖关系和上下文信息的能力,适用于气象、交通流量等场景。附有运行效果图预览,展示适应度值、RMSE变化及预测结果对比,验证方法有效性。
基于遗传算法的256QAM星座图的最优概率整形matlab仿真,对比优化前后整形星座图和误码率
本内容展示了基于GA(遗传算法)优化的256QAM概率星座整形(PCS)技术的研究与实现。通过Matlab仿真,分析了优化前后星座图和误码率(BER)的变化。256QAM采用非均匀概率分布(Maxwell-Boltzman分布)降低外圈星座点出现频率,减小平均功率并增加最小欧氏距离,从而提升传输性能。GA算法以BER为适应度函数,搜索最优整形参数v,显著降低误码率。核心程序实现了GA优化过程,包括种群初始化、选择、交叉、变异等步骤,并绘制了优化曲线。此研究有助于提高频谱效率和传输灵活性,适用于不同信道环境。
44 10
基于遗传优化ELM网络的时间序列预测算法matlab仿真
本项目实现了一种基于遗传算法优化的极限学习机(GA-ELM)网络时间序列预测方法。通过对比传统ELM与GA-ELM,验证了参数优化对非线性时间序列预测精度的提升效果。核心程序利用MATLAB 2022A完成,采用遗传算法全局搜索最优权重与偏置,结合ELM快速训练特性,显著提高模型稳定性与准确性。实验结果展示了GA-ELM在复杂数据中的优越表现,误差明显降低。此方法适用于金融、气象等领域的时间序列预测任务。

热门文章

最新文章

AI助理

你好,我是AI助理

可以解答问题、推荐解决方案等

登录插画

登录以查看您的控制台资源

管理云资源
状态一览
快捷访问