高精度训练专题一

简介: 高精度训练专题一

1:大菲波数

斐波那契数列是这样定义的:f(1)=1;f(2)=1;f(n)=f(n-1)+f(n-2)(n>=3)。所以1,1,2,3,5,8,13……就是斐波那契数列。输入一个整数n,求斐波那契数列的第n项。


输入格式:

首先输入一个正整数T,表示测试数据的组数,然后输入T组测试数据。每组测试数据输入一个整数n(1≤n≤1000)。


输出格式:

对于每组测试,在一行上输出斐波那契数列的第n项f(n)。


输入样例:

2
105
4


输出样例:

3928413764606871165730
3


出处:

HDOJ 1715

代码长度限制

16 KB

时间限制

400 ms

内存限制

64 MB


解析:用数组模拟大整数的运算,先根据题意预处理所有结果,最后输入数据查表就行

#include <iostream>
#include <cstring>
#include <vector>
using namespace std;
const int N = 1010;
string f[N];
vector<int> add(vector<int>A, vector<int>B)
{
    vector<int>C;
    for (int i = 0, t = 0; i < A.size() || i < B.size() || t; i ++ )
    {
        if(i < A.size()) t += A[i];
        if(i < B.size()) t += B[i];
        C.push_back(t % 10);
        t /= 10;
    }
    while (C.size() > 1 && C.back() == 0) C.pop_back();
    return C;
}
int main()
{
    f[1] = f[2] = "1";
    for (int i = 3; i < N; i ++ )
    {
        string s1 = f[i - 1];
        string s2 = f[i - 2];
        vector<int>A, B;
        for (int i = s1.size() - 1; i >= 0; i -- ) A.push_back(s1[i] - '0');
        for (int i = s2.size() - 1; i >= 0; i -- ) B.push_back(s2[i] - '0');
        auto C = add(A, B);
        string s;
        for (int i = C.size() - 1; i >= 0; i -- )
            s += to_string(C[i]);
        f[i] = s;
    }
    int T;
    cin >> T;
    while (T -- )
    {
        int x;
        cin >> x;
        cout << f[x] << endl;
    }
    return 0;
}


2:大数的乘法

输入一个大正整数和一个非负整数,求它们的积。


输入格式:

测试数据有多组,处理到文件尾。每组测试输入1个大正整数A(位数不会超过1000)和一个非负整数B(int范围)。

输出格式:

对于每组测试,输出A与B的乘积。


输入样例:

1 1
123 100
12345678910 8
123456789101234567891012345678910 7


输出样例:

1
12300
98765431280
864197523708641975237086419752370


出处:

ZJUTOJ 1027


说明:

原题的B是一位数,本题修改为int范围内的整数


代码长度限制

16 KB

时间限制

400 ms

内存限制

64 MB


解析:由于b的范围是int型,而字符串s的每一位数字的范围都是0~9,可以得出只要b取int类型极限,s[i]取2 ~ 9都会超出int类型,所以我们需要使用long long 类型

#include <iostream>
#include <vector>
using namespace std;
typedef long long LL;
vector<LL> mul(vector<LL>A, int b)
{
    vector<LL>C;
    for (LL i = 0, t = 0; i < A.size() || t; i ++ )
    {
        if(i < A.size()) t += A[i] * b;
        C.push_back(t % 10);
        t /= 10;
    }
    while (C.size() > 1 && C.back() == 0) C.pop_back();
    return C;
}
int main()
{
    string s;
    int b;
    while (cin >> s >> b)
    {
        vector<LL>A;
        for (int i = s.size() - 1; i >= 0; i -- ) A.push_back(s[i] - '0');
        auto C = mul(A, b);
        for (int i = C.size() - 1; i >= 0; i -- ) cout << C[i];
        cout << endl;
    }
    return 0;
}


3:大数和

给定一些大整数,请计算其和。


输入格式:

测试数据有多组。对于每组测试数,首先输入一个整数n(n≤100),接着输入n个大整数(位数不超过200)。若n=0则表示输入结束。

输出格式:

对于每组测试,输出n个整数之和,每个结果单独占一行。


输入样例:

2
43242342342342
-1234567654321
0


输出样例:

42007774688021


出处:

ZJUTOJ 1214

代码长度限制

16 KB

时间限制

400 ms

内存限制

64 MB


解析:因为一个正数加一个负数不好运算,所以我们可以把加上一个负数的运算转化成减去一个数,所以可以得出此题考察的是高精度的加减法运算

#include <iostream>
#include <vector>
using namespace std;
vector<int> add(vector<int>&A,vector<int>&B)//加法
{
    vector<int>C;
    for(int i = 0,t = 0; i < A.size() || i < B.size() || t; i ++ )
    {
        if(i < A.size()) t += A[i];
        if(i < B.size()) t += B[i];
        C.push_back(t % 10);
        t /= 10;
    }
    while(C.back() == 0 && C.size() > 1) C.pop_back();//去掉前导的零
    return C;
}
vector<int> sub(vector<int>&A, vector<int>&B)//减法
{
    vector<int>C;
    for(int i = 0, t = 0; i < A.size(); i ++ )
    {
        t = A[i]-t;
        if(i < B.size()) t -= B[i];
        C.push_back((t + 10) % 10);
        if(t < 0) t = 1;
        else t = 0;
    }
    while(C.back() == 0 && C.size() > 1) C.pop_back();
    return C;
}
bool cmp(vector<int>&A,vector<int>&B)//比较大小,前面大返回真,否则返回假
{
    if(A.size() != B.size()) return A.size() > B.size();
    for(int i = 0; i < A.size(); i ++ )
        if(A[i] != B[i]) return A[i] > B[i];
    return true;
}
int main()
{
    int n;
    while(cin >> n && n)
    {
        int a1 = 1,ans1 = 1;//判断符号
        vector<int>ans = {0};//初始化
        while(n -- )
        {
            string a;
            vector<int>A;
            cin >> a;
            if(a[0] == '-')
            {
                a1 = 0;
                for(int i = a.size() - 1; i > 0; i -- ) A.push_back(a[i] - '0');
            }
            else
            {
                for(int i = a.size() - 1 ; i >= 0; i -- ) A.push_back(a[i] - '0');
                a1=1;
            }
            if(cmp(ans,A))//前面大
            {
                if(ans1 && a1) ans = add(ans, A),ans1 = 1;
                else if(ans1 && !a1) ans = sub(ans, A),ans1 = 1;
                else if(!ans1 && !a1) ans = add(ans, A),ans1 = 0;
                else ans = sub(ans, A),ans1 = 0;
            }
            else
            {
                if(ans1 && a1) ans = add(ans, A),ans1 = 1;
                else if(ans1 && !a1) ans = sub(A, ans), ans1 = 0;
                else if(!ans1 && !a1) ans=add(ans, A), ans1 = 0;
                else ans = sub(A, ans),ans1 = 1;
            }
        }
        if(!ans1 && ans[0]) cout << "-";//处理符号和处理负零的情况
        for(int i = ans.size() - 1; i >= 0; i -- ) cout << ans[i];
        cout << endl;
    }
    return 0;
}
目录
相关文章
|
20天前
|
人工智能 语音技术
人工智能语音信号预处理采样
人工智能语音信号预处理采样
33 2
|
19天前
|
机器学习/深度学习 算法
ATFNet:长时间序列预测的自适应时频集成网络
ATFNet是一款深度学习模型,融合时域和频域分析,捕捉时间序列数据的局部和全局依赖。通过扩展DFT调整周期性权重,结合注意力机制识别复杂关系,优化长期预测。模型包含T-Block(时域)、F-Block(频域)和权重调整机制。实验证明其在时间序列预测任务中表现优越,已发布于arXiv并提供源代码。
34 4
|
20天前
|
机器学习/深度学习 自然语言处理 算法
利用深度学习优化图像识别精度的策略
【5月更文挑战第15天】 在计算机视觉领域,图像识别的精确度直接关系到后续处理的效果与可靠性。本文旨在探讨如何通过深度学习技术提升图像识别任务的精度。首先,文中介绍了卷积神经网络(CNN)的基础结构及其在图像识别中的应用;然后,详细分析了数据增强、网络结构优化、正则化方法和注意力机制等策略对提高模型性能的作用;最后,通过实验验证了所提策略的有效性,并讨论了未来可能的研究方向。本文不仅为图像识别领域的研究者提供了实用的优化策略,也为相关应用的开发者指明了提升系统性能的可能途径。
|
20天前
|
机器学习/深度学习 算法 定位技术
Python用Lstm神经网络、离散小波转换DWT降噪对中压电网电压时间序列预测
Python用Lstm神经网络、离散小波转换DWT降噪对中压电网电压时间序列预测
|
20天前
|
机器学习/深度学习 运维
深度学习实现自编码器Autoencoder神经网络异常检测心电图ECG时间序列
深度学习实现自编码器Autoencoder神经网络异常检测心电图ECG时间序列
|
20天前
|
机器学习/深度学习 数据可视化
R语言神经网络模型预测车辆数量时间序列
R语言神经网络模型预测车辆数量时间序列
|
7月前
|
机器学习/深度学习 算法 数据库
图像识别2:图像多分类实验
图像识别2:图像多分类实验
48 0
|
12月前
|
机器学习/深度学习 算法
基于VGG16深度学习网络的目标识别matlab仿真,并结合ROC指标衡量识别性能
基于VGG16深度学习网络的目标识别matlab仿真,并结合ROC指标衡量识别性能
122 0
|
自然语言处理 计算机视觉
多模态学习加持,蛋白质预训练模型S2F准确预测PPI
多模态学习加持,蛋白质预训练模型S2F准确预测PPI
152 0
|
机器学习/深度学习 存储 TensorFlow
集成时间序列模型提高预测精度
使用Catboost从RNN、ARIMA和Prophet模型中提取信号进行预测
171 0

热门文章

最新文章