异或运算算法相关

  一个整型数组里除了两个数字之外,其他的数字都出现了两次。请写程序找出这两个只出现一次的数字?”这是经典的算法题,乍看这个题的思路特别多。
  
  这道题的实现方法很多,关键是找到最好的实现方法很难,本文就介绍采用异或运算实现这道题目的解法。

  异或运算是C语言中位运算的一种操作,这种操作对于嵌入式程序员可能比较熟悉,但是对于一般的程序员可能运用的比较少,异或操作具有如下的特征:
  0^num = num; 1^num = ~num; num ^ num = 0; 其中num = 0或者1。
  a^a^b^b^c = (a^a)^(b^b)^c=0^0^c=c;

  需要注意:如果有a + b = c; 则有可能使得a ^ b ^ c = 0;这个条件是非充分非必要,比如a = 1,b = 2, c = 3,这时候的a ^ b ^ c = 0是成立的,但是a = 2, b = 2, c = 4,则是不成立的。
  
  假设数组元素为a[N],其中N的值很大,不成对的元素为an,am。实现上述过程的步骤如下所示:
  首先,变量元素对所有元素进行异或操作,得到的结果肯定是an^am。也就说通过异或操作以后,结果中保存了an和am的特征。由于am和an不同,am^an的结果肯定是大于等于1。am和an不同,那么am^an中为1的某一个bit肯定是am或者an中某一个的特征。
  然后,定义两个值num1,num2,分别用来计算an、am,选择am^an中的某一个bit作为特征位。
  假设是第K位是特征位,再次对元素进行遍历:
  如果元素的第K位是1,这个元素可能是am或者an,那么将当前元素与num1进行异或操作;
  如果元素的第K位为0,那么这个元素则可能是另一个值,那么将当前元素与num2进行异或操作。
  这样遍历完所有元素,因为大部分数据成对出现,根据异或运算的特征,num1,num2就分别保存了两个不同的值,这两个值即为我们所求。
  由上面的分析可知,这种算法只需要遍历两次数组空间即可实现数据的判定,这样时间复杂度为O(N),同时因为没有hashmap之类的结构体,这样空间复杂度就是O(1)。这种算法的实现肯定是最佳的。相比前面提到的hashmap、排序算法时间复杂度和空间复杂度都要小,因此这种算法的实现应该是最佳的。
 

 例如:1 2 3 4 7 3 2 1 4 9
 异或和即7^9=1110,取倒数第二位为特征位;
 对于2 3 7 3 2 它们的倒数第二位都为1,异或和为7;
 对于1 4 1 4 9 它们的倒数第二位都为0,异或和为9;

代码实现:

#include <iostream>
#include <cstring>
#include <cstdio>
#include <cmath>
#include <algorithm>
#include <map>
#include <set>
#include <vector>
using namespace std;
const int N=1000005;
int a[N];
int getBit(int n){//得到特征位
    int i;
    for(i=1;;i++){
        if(n&1){
            return i;
        }
        else n=n>>1;
    }
}
int getBit2(int n,int i){//得到每个元素特征位的元素
    int ans=0;
    for(int j=1;j<=i;j++){
        ans=n&1;
        n=n>>1;
    }
    return ans;
}
int main() {
    int t;
    scanf("%d",&t);
    while(t--) {
        int n;
        scanf("%d",&n);
        for(int i=1;i<=n;i++) {
            scanf("%d",&a[i]);
        }
        int ans=0;
        for(int i=1;i<=n;i++) {
            ans^=a[i];
        }

        int ansbit=getBit(ans);

        int num1=0,num2=0;
        for(int i=1;i<=n;i++){
            if(getBit2(a[i],ansbit)==1){
                num1^=a[i];
            }
            else num2^=a[i];
        }
        printf("%d %d\n",min(num1,num2),max(num1,num2));


    }
    return 0;
}
/*
3

10
1 2 3 4 7 3 2 1 4 9

6
2 2 1 1 3 4
4
1 1 3 4
*/
  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: 异或运算(XOR)是一种逻辑运算,当两个操作数相同时返回0,当两个操作数不同时返回1。BP算法(反向传播算法)是一种常用的训练神经网络的方法,通过反向传播误差来更新网络的权重和偏置。 要用BP算法解决Matlab中的异或运算问题,首先需要构建一个能够解决异或运算的神经网络模型。对于异或运算而言,我们可以使用一个具有两个输入、一个隐藏层和一个输出层的多层感知器(MLP)神经网络来解决此问题。 输入层有两个神经元,分别表示输入的两个操作数。隐藏层可以根据实际需要选择神经元数量,这里可以选择一个神经元。输出层有一个神经元,用于表示异或运算的结果。 接下来,我们需要确定神经网络的权重和偏置的初始值。可以随机给定一个初始值。 然后,我们可以使用BP算法进行训练。训练的过程中,我们将输入两个操作数与对应的异或运算结果一起作为输入-输出对来训练网络。通过前向传播计算得到输出值,然后通过比较输出值和实际值得到误差。 接下来,我们使用反向传播算法来调整网络的权重和偏置,使得误差逐步减小。通过反复迭代训练,最终达到模型收敛的目的。 训练完成后,我们就可以使用训练好的神经网络来进行异或运算了。将任意输入值作为操作数输入到神经网络中,即可得到相应的异或运算结果。 综上所述,通过使用BP算法训练一个具有一个隐藏层的神经网络,我们可以解决Matlab中的异或运算问题。使用这个训练好的模型,我们可以根据输入的操作数进行异或运算并得到结果。 ### 回答2: 异或运算是一种逻辑运算,也可以用于神经网络中的反向传播(Backpropagation,简称bp)算法。在MATLAB中,我们可以使用异或运算来实现bp算法,以解决分类或回归问题。 首先,我们需要准备训练数据集。对于异或运算而言,训练数据集包括输入数据和对应的输出标签。比如说,输入数据集可以是2维的,其中每个样本的特征向量由2个元素组成;而输出标签对应着每个样本的分类结果(0或1)。 接下来,我们可以使用MATLAB中的神经网络工具箱来构建一个包含隐层的人工神经网络。隐层可以增加网络的学习能力,提高分类或回归的准确性。在网络建立完成后,我们需要为网络设置训练参数,如学习率、迭代次数等。 然后,我们可以使用bp算法来训练神经网络。训练过程可以通过反向传播误差来更新网络的权重和偏置,以最小化网络的输出与真实标签之间的差异。最常用的优化算法是梯度下降法,其中梯度代表了误差对于网络权重的变化率。 在训练过程中,我们可以将训练数据集输入到网络中,并通过前向传播来计算网络的输出。之后,我们可以将网络的输出与真实标签进行比较,计算误差,并通过反向传播来调整网络的权重和偏置。这个过程将会循环多次,直到网络收敛或达到预定的迭代次数。 最后,我们可以使用训练好的网络来对新的数据进行分类或回归预测。通过将新的数据输入到网络中,并通过前向传播来计算网络的输出,我们可以得到预测结果。 通过以上步骤,我们可以使用异或运算的bp算法来解决MATLAB中的分类或回归问题。这个方法将会帮助我们构建和训练神经网络,从而得到准确的预测结果。 ### 回答3: 异或运算(XOR)是一种逻辑运算符,它返回两个操作数中仅有一个为真的结果。在神经网络中,异或运算是一种非线性运算,常用于分类问题的解决。BP算法(反向传播算法)是一种用于训练人工神经网络的常用方法。现在我们来讨论如何用BP算法解决Matlab中的异或运算。 在Matlab中,我们可以使用神经网络工具箱(Neural Network Toolbox)来实现BP算法解决异或运算。首先,我们需要创建一个人工神经网络对象,并设置网络的结构和参数。例如,我们可以使用feedforwardnet函数来创建一个前馈神经网络,该网络包含一个隐藏层和一个输出层。 接下来,我们需要准备训练数据和目标数据。对于异或运算,我们可以创建一个2×2的矩阵,其中每一行表示输入数据,每一列表示目标数据。矩阵的第一行可以表示0和0的输入,目标数据为0;矩阵的第二行可以表示0和1的输入,目标数据为1。 然后,我们可以使用train函数对神经网络进行训练。该函数会根据给定的训练数据和目标数据,通过BP算法来更新网络的权重和偏置。训练的目标是使神经网络能够正确地预测异或运算的结果。 训练完成后,我们可以使用sim函数来测试神经网络的性能。sim函数接受一个输入数据矩阵,并返回网络对应的输出矩阵。通过比较输出矩阵和目标数据矩阵,我们可以评估网络的准确性。 最后,我们可以使用神经网络进行预测。通过输入一个新的数据,神经网络可以根据已经学习到的权重和偏置来计算输出结果。 综上所述,我们可以通过使用BP算法和Matlab中的神经网络工具箱来解决异或运算问题。这个过程包括创建神经网络对象、准备数据、训练网络、测试性能和进行预测等步骤。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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