// 乾坤一笑[smileonce] smileonce@126.com 2004-7-23
// 版权所有 转载请注明出处 http://blog.csdn.net/smileonce
// math_t.cpp : Defines the entry point for the console application. // 我来示范一下效率、正确性和易维护性的结合。 // 谁在丢砖头?我不是玻璃干吗砸我,我跑~~~ #include "stdafx.h" #include #includeusing namespace std; int _tmain(int argc, _TCHAR* argv[]) { set<int> num_set; for (int i=2; i<=9; i++) { int max_try = 9876 / i ; for (int j=1234; j<max_try; j++) { int k = i*j; if (k>10000) continue; num_set.clear(); num_set.insert(0); num_set.insert(i); num_set.insert(j/1000); num_set.insert(j/100%10); num_set.insert(j/10%10); num_set.insert(j%10); num_set.insert(k/1000); num_set.insert(k/100%10); num_set.insert(k/10%10); num_set.insert(k%10); if (num_set.size()==10) cout << j << " * " << i << " = " << k << endl; } } return 0; }
相关推荐
Softmax回归本质:从概率建模到数值稳定实现
Softmax回归是多分类任务中最基础的概率建模方法,其核心在于将线性得分通过指数归一化转化为条件概率分布,从而实现对P(y=i|x)的参数化估计。它并非逻辑回归的简单扩展,而是最大似然估计在分类问题下的自然结果——交叉熵损失即负对数似然的直接体现。该框架兼具数学严谨性与工程可解释性,支撑着从图像识别到推荐排序等广泛场景;但实际应用中极易因logits溢出、特征尺度失衡或类别不平衡导致概率失真。本文聚焦Softmax的底层原理、梯度推导(p - y)、数值稳定性保障(log-sum-exp)及PyTorch
使用1-9这九个数,使该等式()()()()X()=()()()()成立,并且各数值不能重复
使用1-9这九个数,使该等式()()()()X()=()()()()成立,并且各数值不能重复,乘数、被乘数和积各个数位没有重复的。
为什么决策树用熵不用错分率?从凹性到信息增益的本质解析
决策树分裂准则的核心是量化节点‘不纯度’,并驱动递归分割。错分率作为直观的分类误差指标,虽满足可计算与方向性,却因缺乏凹性而丧失对概率分布细微变化的敏感性;熵则源于香农信息论,其严格凹函数特性保证了信息增益恒非负,能持续响应纯度提升,尤其在类别不平衡、小样本或含噪声场景下表现鲁棒。这种数学结构性差异,决定了熵(及基尼不纯度)成为工业级实现如sklearn的默认选择,而错分率因早停、无区分度等缺陷被实际弃用。
1-9九个数字不重复组成一个三位数加法算式,求出所有组合
问题描述: 将1-9的9个数字不重复的填入[ ][ ][ ] + [ ][ ][ ] = [ ][ ][ ],使得等式成立 如 173 + 286 = 459 且 将 286 + 173 = 459 视为同一种,问满足这样条件的情况有几种 问题解法: 将9个不重复数字填入到9个位置并且满足等式成立条件,可以看做求9个数组的全排列,只要全排列满足 前3个数字 + 中间3个数字 = 最后3个数字即可...
将1-9数值不重复填充到9个盒子中
将1-9数值填充到9个盒子中。 【】【】【】+【】【】【】=【】【】【】 如:168+327=495条件限制: 1-9不能重复使用 等号左边加起来等于右边 实现方式: saveNum数组来存放:1-9数值 book数组用来标记使用过的数值 count代表共有9个数字 调用递归的方法 C#代码实现 #region public static int[] saveNum = n
用Java解决数学问题:将123456789分别填在[ ] [ ] [ ] [ ] ×[ ]=[ ] [ ] [ ] [ ]使等式成立,且数字不允许重复
题 目:将123456789分别填在[ ] [ ] [ ] [ ] ×[ ]=[ ] [ ] [ ] [ ]使等式成立,且数字不允许重复 解题思路:思路1:1.将1~9全部放入集合中,然后用Collections.shuffle(List list)随即排序;2.排序完毕后,再用if判断是否结果符合条件 思路2:1.将1~9依次放入括号中,每次放入时检验数字是
组合数递推算法详解:从杨辉三角到动态规划实现
组合数是算法与数据结构中的基础数学概念,表示从n个元素中选取m个元素的方案数。其核心原理基于分类讨论思想,通过考虑特定元素的选与不选,自然推导出递推公式C(n,m)=C(n-1,m)+C(n-1,m-1),这正是动态规划思想的典型体现。该算法的技术价值在于实现了O(n²)预处理、O(1)查询的高效计算模式,特别适合算法竞赛中多次查询的场景。在工程实践中,该模板通过二维数组存储中间结果,并配合模运算防止溢出,成为解决组合数问题的标准范式。本文以经典题目为例,深入解析递推公式的推导过程、边界条件设置、代码实现细
一维信号卷积的本质:从物理因果到工程实现
卷积是数字信号处理的核心运算,本质是系统对输入信号的因果性响应过程。其数学表达 y[n] = Σ x[k]·h[n−k] 中的时序翻转(n−k)并非形式约定,而是物理世界时间箭头与因果律的严格映射;离散实现中采样间隔 Δt 则作为隐式缩放因子决定结果量纲。该运算支撑着滤波器设计、脉冲整形、图像可分离滤波及CNN特征提取等关键应用。理解其索引对齐逻辑、支撑集扩展规律(L_y = L_x + L_h − 1)和实时分块处理机制,是打通理论公式与嵌入式/FPGA/深度学习工程落地的关键桥梁。
C语言九九乘法表:5种实现方法详解与编程思维训练
循环是编程语言中的基础控制结构,用于重复执行特定代码块,其核心原理是通过初始化、条件判断和迭代更新来控制执行流程。掌握循环不仅能提升代码效率,更是理解复杂算法和数据处理逻辑的基石。在C语言中,for循环、while循环和递归等不同实现方式,分别体现了流程控制、空间换时间和分治等核心编程思想,具有极高的教学与实践价值。这些技术广泛应用于算法训练、嵌入式开发及面试笔试等场景。本文以经典的“九九乘法表”为例,深入解析双层for循环、while循环、数组预存、递归及单循环五种实现方法,并重点探讨嵌套循环与格式化输出
从NOI分治题解析快速幂算法:原理、实现与竞赛实战
在算法竞赛和工程实践中,分治思想是解决大规模计算问题的核心策略之一,其核心原理是将复杂问题分解为结构相似的子问题,通过递归或迭代合并结果,从而大幅降低时间复杂度。快速幂算法正是分治思想的经典应用,它通过将指数二进制分解,将求幂运算的时间复杂度从O(n)优化至O(log n),在计算大数幂模运算时展现出极高的技术价值。该算法广泛应用于密码学、数论(如费马小定理求逆元)、动态规划优化(如矩阵快速幂求解线性递推)等场景。本文以一道NOI竞赛题为切入点,深入剖析快速幂的递归与迭代实现,并针对模运算、整数溢出、输出格
N皇后问题:从回溯算法到状态压缩的深度解析与优化实践
回溯算法是解决约束满足问题的经典范式,其核心思想是深度优先搜索与试错,通过递归探索所有可能的解空间,并在发现不满足约束时及时回溯。该算法在解决组合优化、排列生成等问题上具有重要技术价值,广泛应用于数独求解、图着色、任务调度等场景。本文以经典的N皇后问题为例,深入剖析如何通过一维数组优化状态表示,并进一步引入位运算进行状态压缩,将冲突检测的时间复杂度降至O(1),从而显著提升算法效率。文中详细探讨了剪枝技巧与对称性优化,并结合SCAU OJ 18124题目,提供了从基础实现到竞赛级优化的完整代码解析,帮助读者
遗传算法实战进阶:自适应参数、混合编码与工业级验证体系
遗传算法(GA)作为经典智能优化方法,其核心价值在于解决传统数值方法难以应对的非线性、非凸、多约束、混合变量优化问题。原理上,它通过模拟自然选择中的选择、交叉、变异操作,在解空间中协同实现全局探索与局部开发。技术价值体现在鲁棒性强、无需梯度、易于嵌入复杂业务逻辑;典型应用场景包括供应链库存策略、车间排程、图像分割参数调优及机械设计等工程优化任务。本文聚焦GA从教学原型迈向工业可用的关键跃迁——涵盖自适应变异率、混合编码建模、排序与锦标赛选择机制,以及基于重复性/对比性/鲁棒性的三维度结果验证框架,助力工程师
逻辑回归实战指南:可解释二分类建模与业务落地七步法
逻辑回归是一种基于广义线性模型(GLM)的概率化二分类方法,其核心原理是通过logit变换建立特征与事件发生概率的线性关系,从而输出可解释的风险概率。相比黑盒模型,它以系数可解读、决策可溯源、部署轻量等技术价值,在金融风控、医疗筛查、用户运营等强合规、重归因场景中不可替代。典型应用包括贷款审批阈值设定、慢性病风险量化、客户流失预警等,尤其适合需要向监管方或业务方清晰说明‘为什么’的落地项目。本文聚焦真实工程中的特征构建、正则化选型、系数解读与持续监控,直击从数据到可交付模型的关键链路。
遗传算法工程实践:种群设计、算子协同与约束处理的四大核心问题
遗传算法作为经典的启发式优化方法,其理论基础(选择、交叉、变异)易学,但真实场景下的稳定收敛与可靠部署却高度依赖工程化调优。本文聚焦工业级应用中高频出现的四大瓶颈:种群规模与搜索分辨率的非线性关系、实数编码对连续变量优化的必要性、交叉率与变异率的动态耦合机制,以及硬约束下可行域映射的本质逻辑。通过Rastrigin函数基准测试、新能源电控PID寻优、金融风控阈值搜索等真实案例,揭示参数设置背后的物理意义与失效机理,强调‘探索-开发平衡’和‘约束即编码’两大核心思想,为自动化调参、多目标优化及动态环境适应提供
动态规划核心原理与实战:从最优子结构到状态转移方程
动态规划是一种解决复杂最优化问题的核心算法思想,其核心原理在于将问题分解为相互重叠的子问题,并通过存储子问题的解来避免重复计算,从而显著提升效率。该技术的关键在于识别问题是否具有最优子结构和重叠子问题两大性质,并据此定义状态与状态转移方程。在工程实践中,动态规划广泛应用于资源分配、路径规划、序列分析等场景,例如经典的0/1背包问题和最长上升子序列问题。通过构建dp表并利用状态转移方程进行递推,可以系统性地求解最优决策序列。掌握动态规划,对于解决数学建模中的优化问题及提升算法效率具有重要价值。
微积分导读:从圆周率到导数与积分
……
动态规划核心思想与实战:从最优子结构到背包、树形、状压DP全解析
动态规划是一种通过将复杂问题分解为相互重叠的子问题,并存储子问题解以避免重复计算的高效算法范式。其核心原理建立在最优子结构和重叠子问题两大支柱之上,这使得它能够系统化地解决许多看似棘手的问题,在时间复杂度与空间复杂度之间取得平衡。从技术价值看,动态规划不仅是算法竞赛中的关键技能,更是解决工程中优化问题的强大工具,例如在资源分配、路径规划和序列分析等场景中广泛应用。本文聚焦于动态规划的核心思想与通用解题框架,并深入剖析了背包问题、树形DP等经典模型,通过清晰的步骤拆解和常见陷阱分析,帮助读者构建从理论到实践的
数学建模中的动态定价:从Logit模型到MATLAB实战
动态定价是运筹优化与行为建模交叉的核心技术,其本质是将用户决策概率、时空异质性与平台博弈关系转化为可计算结构。基于Logit选择模型,通过非线性概率映射刻画价格敏感度递减规律;结合MATLAB实现时空权重矩阵构建、带约束优化求解及演化博弈仿真,支撑从静态标价向实时响应式定价跃迁。该方法广泛应用于众包调度、网约车派单与本地生活服务平台,在数据驱动决策场景中兼具理论严谨性与工程落地性。文中重点融合MATLAB与Logit模型两大热词,展现工具链与建模范式协同演进的技术路径。
381




被折叠的 条评论
为什么被折叠?



