算法小技巧——认识异或运算

目录

一. 概念

二. 性质

三. 技巧性面试题

题目一:如何不用额外变量交换两个数

题目二:一个数组中有一种数出现了奇数次,其他数都出现了偶数次,怎么找到并打印这种数

题目三:一个数组中有两种数出现了奇数次,其他数都出现了偶数次,怎么找到并打印这两种数

题目四:求一个数的二进制中1的个数


一. 概念

异或(xor)是一个算数运算符。它应用于逻辑运算

运算法则为:

                   如果a、b两个值不相同,则异或结果为1。

                   如果a、b两个值相同,异或结果为0。

二. 性质

1. 归零律:a ^ a = 0

2. 恒等律:a ^ 0 = a

3. 交换律:a ^ b = b ^ a

4. 结合律:a ^ b ^ c = (a ^ b) ^ c = a ^ (b ^ c)

5. 自反:a ^ b ^ a = b

三. 技巧性面试题

题目一:如何不用额外变量交换两个数

思路:使用异或运算的性质

public class Swap {
    public static void swap(int i, int j){
        i = i ^ j;
        j = i ^ j;
        i = i ^ j;
    }

    // 数组中的两个数交换
    public static void swap(int[] array, int i, int j) {
        array[i] = array[i] ^ array[j];
        array[j] = array[i] ^ array[j];
        array[i] = array[i] ^ array[j];
    }
}

 

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
BP神经网络算法可以用于解决分类和回归问题。下面是BP算法实现异或运算的步骤和代码: 1.问题: 我们需要训练一个BP神经网络来实现异或运算,即输入两个二进制数,输出它们的异或结果。 2.分析: 我们可以使用一个包含两个输入节点、两个隐藏节点和一个输出节点的三层神经网络来解决这个问题。我们需要使用反向传播算法来训练神经网络,以便它可以正确地计算异或运算。 3.代码: ```python import numpy as np # 定义sigmoid函数 def sigmoid(x): return 1 / (1 + np.exp(-x)) # 定义sigmoid函数的导数 def sigmoid_derivative(x): return x * (1 - x) # 定义BP神经网络类 class NeuralNetwork: def __init__(self, x, y): self.input = x self.weights1 = np.random.rand(self.input.shape[1], 2) self.weights2 = np.random.rand(2, 1) self.y = y self.output = np.zeros(self.y.shape) def feedforward(self): self.layer1 = sigmoid(np.dot(self.input, self.weights1)) self.output = sigmoid(np.dot(self.layer1, self.weights2)) def backprop(self): d_weights2 = np.dot(self.layer1.T, (2 * (self.y - self.output) * sigmoid_derivative(self.output))) d_weights1 = np.dot(self.input.T, (np.dot(2 * (self.y - self.output) * sigmoid_derivative(self.output), self.weights2.T) * sigmoid_derivative(self.layer1))) self.weights1 += d_weights1 self.weights2 += d_weights2 def train(self, epochs): for i in range(epochs): self.feedforward() self.backprop() def predict(self, x): self.input = x self.feedforward() return self.output # 训练数据 X = np.array([[0, 0], [0, 1], [1, 0], [1, 1]]) y = np.array([[0], [1], [1], [0]]) # 创建神经网络对象并训练 nn = NeuralNetwork(X, y) nn.train(10000) # 预测新数据 x_test = np.array([[0, 1]]) print(nn.predict(x_test)) # 输出:[[0.99676596]] ```

“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