POJ——1001 Exponentiation 解题思路

Description
Problems involving the computation of exact values of very large magnitude and precision are common. For example, the computation of the national debt is a taxing experience for many computer systems.

This problem requires that you write a program to compute the exact value of Rn where R is a real number ( 0.0 < R < 99.999 ) and n is an integer such that 0 < n <= 25.
Input
The input will consist of a set of pairs of values for R and n. The R value will occupy columns 1 through 6, and the n value will be in columns 8 and 9.
Output
The output will consist of one line for each line of input giving the exact value of R^n. Leading zeros should be suppressed in the output. Insignificant trailing zeros must not be printed. Don’t print the decimal point if the result is an integer.
Sample Input
95.123 12
0.4321 20
5.1234 15
6.7592 9
98.999 10
1.0100 12
Sample Output
548815620517731830194541.899025343415715973535967221869852721
.00000005148554641076956121994511276767154838481760200726351203835429763013462401
43992025569.928573701266488041146654993318703707511666295476720493953024
29448126.764121021618164430206909037173276672
90429072743629540498.107596019456651774561044010001
1.126825030131969720661201

作为菜鸟,当然是此前从未见识过这种题目,单纯地做了n次乘方,显然是错误的,还有浮点数的不精确。
从百度上看到了大神的代码,用自己喜欢的方式写了一下贴上来,做一次搬运工。
http://zhidao.baidu.com/link?url=-GNoYiSci1_PVclcdZrFPhcFSWSAp1lYejVPxby5fx4hHxtrN33fWMA1V7MylQW3F6z0YdHmbojuDxf29dOSU_

解题思路:

  1. 获取小数点后小数的个数
  2. 将数字去掉无效的0和小数点放进数组
  3. 定义一个比较大的数组作为结果数组,放置每一次相乘的结果,数组每一个元素代表结果的每一位(根据数组顺序从高到低,从高位到低位)
  4. 结果数组的每一位与数相乘,放在当前的数组元素里面,结果数组都乘完后,将数组元素对10取取,其余的进到高位
  5. 最后得到结果数组,得到的结果小数个数=数的小数点*次数
  6. 结果输出
int Exponentiation(string s,int n)
    {
        int r[151];//结果数组
        int dotpoint=0;
        for(int t=0;t<150;t++)
        {
            r[t]=-1;//对结果数组初始化为-1,表示不存在有效数字
        }
        if (s.find('.')!=string::npos)
        {
            dotpoint=s.length()-s.find('.')-1;//获取小数点后数位的个数
        }
        string::iterator bend=s.end()-1;
        while(dotpoint>0&&bend>=s.begin())
        {
            if (*bend!='0')
            {
                break;
            }
            bend--;
            dotpoint--;//去掉无效的0
        }
        int cn=0;
        while(bend>=s.begin())
        {
            if (*bend!='.')
            {
                r[cn]=*bend-'0';//将字符转化为数字存入结果数组比如95.120,去掉0,再去掉小数点,那么r[0]=2,r[1]=1,r[2]=5,r[4]=9
                cn++;
            }
            if (bend==s.begin())
            {
                break;
            }
            bend--;
        }
        int m=0;
        for ( int k=cn-1;k>=0;k--)
        {
            m=m*10+r[k];//去掉无效0和小数点的数,比如输入95.120,那么m=9512
        }
        for(int i=1;i<n;i++)
        {
            int j=0;
            while(r[j]>-1)
            {
                r[j]=r[j]*m;//将结果数组的每一位与元素m相乘
                j++;
            }
            j=0;
            while(r[j]>-1)
            {
                if (r[j+1]==-1&&r[j]>=10)//如果高位为-1,则说明高位还没有有效数字,将取余后的数存于高位
                {
                    r[j+1]=r[j]/10;
                }
                else
                {
                    r[j+1]+=r[j]/10;//如果高位不为-1,说明高位有有效数,将取余后的数字与高位相加,存于高位
                }
                r[j]=r[j]%10;//对当前有效数字取余
                j++;
            }
        }

        dotpoint=dotpoint*n;//最终的小数个数
        int num=0;
        while(r[num]>-1)
        {
            num++;
        }
        if (dotpoint>num)//如果小数的个数大于结果数组的有效数的个数,则说明结果是小于1的小数,输出.和结果数组之前应有的0
        {

            cout<<".";
            while(dotpoint>num)
            {
                cout<<0;
                dotpoint--;
            }
            dotpoint=0;//将小数个数置为0,以判断小数点已经被输出。
        }
        for(int km=num-1;km>=0;km--)
        {
            if (km+1==dotpoint&&dotpoint!=0)//如果小数个数不为0并且当前输出的元素位置等于小数个数,则输出一个.
            {
                cout<<".";
            }
            cout<<r[km];
        }
        cout<<endl;
        return 1;

    }
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论 1
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