C++计算BMI值

C++计算BMI值

代码

//体重指数 = 体重(公斤) 除 身高(米)的平方。即 kg/m2 。
#include <iostream>
using namespace std;

int main()
{
	double weight,high,high2;
	int BMI;
	cout<<"请输入体重(KG)和身高(M):"<<endl;
	cin>>weight>>high;
	high2 = high*high;
	BMI = weight / high2;
	cout<<"你的BMI值为:"<<BMI<<endl;
	if(BMI<18)
	{
		cout<<"过轻"<<endl;
	}
	else if(BMI<=25 && BMI>=18)
	{
		cout<<"正常体重"<<endl;
	}
	else if(BMI<=30 && BMI>25)
	{
		cout<<"超重"<<endl;
	}
	else if(BMI>30&&BMI<=35)
	{
		cout<<"轻度肥胖"<<endl;
	}
	else if(BMI>35&&BMI<=40)
	{
		cout<<"中度肥胖"<<endl;
	}
	else if  (BMI>40)
	{
		cout<<"重度肥胖"<<endl;
	}
	return 0; 
} 

试运行结果:在这里插入图片描述

  • 12
    点赞
  • 22
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
计算特征速度(eigenvalue speed)是指计算一个矩阵的特征(eigenvalues)的速度。特征是矩阵尤里奇特有的一种性质,可以帮助我们理解线性变换的性质和特征。计算特征速度的快慢对于矩阵的应用有着重要的影响。 计算特征的速度取决于矩阵的规模和其特征的分布情况。对于小型的矩阵,可以使用经典的特征计算方法,如幂迭代法、QR方法等,这些方法在理论上可以很好地计算特征,但在计算复杂度上并不高效。 然而,对于大规模矩阵或特征分布较为复杂的情况,传统的计算方法可能会面临计算复杂度过高或者数计算精度不够的问题。因此,需要采用更高效的特征计算方法,如基于稳定迭代的特征计算方法、基于分块算法的特征计算方法等。这些方法可以提高计算特征的速度,并针对不同的矩阵类型和特征分布情况,选择最优的计算策略。 在实际应用中,计算特征速度的快慢对于许多领域非常重要。例如,在机器学习中,特征常常被用来进行降维或者特征选择,因此需要高效的计算方法来处理大规模数据。在物理模拟中,特征可用于解析模型的稳定性和动态响应,因此需要快速准确地计算特征以获得可靠的结果。 总之,计算特征速度是一个重要的问题,涉及到矩阵计算的高效性和精度。不同的特征计算方法可以根据矩阵的规模和特征分布情况进行选择,以提高计算速度和精度。

“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