UVA11021--Tribles

本文介绍了一个经典的全概率问题——计算特定条件下Tribbles种群在若干代后完全绝种的概率。通过递推算法实现了高效计算,并提供了完整的C++代码实现。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

Description

Download as PDF

Problem A
Tribbles
Input:
 Standard Input

Output: Standard Output

GRAVITATIONn.
"The tendency of all bodies to approach one another with a strength
proportion to the quantity of matter they contain -- the quantity of
matter they contain being ascertained by the strength of their tendency
to approach one another. This is a lovely and edifying illustration of
how science, having made A the proof of B, makes B the proof of A."

Ambrose Bierce

You have a population of k Tribbles. This particular species of Tribbles live for exactly one day and then die. Just before death, a single Tribble has the probability Pi of giving birth to i more Tribbles. What is the probability that after m generations, everyTribble will be dead?

Input
The first line of input gives the number of cases, NN test cases follow. Each one starts with a line containing n (1<=n<=1000),k (0<=k<=1000) and m (0<=m<=1000). The next n lines will give the probabilities P0P1, ..., Pn-1.

Output
For each test case, output one line containing "Case #x:" followed by the answer, correct up to an absolute or relative error of 10-6.

Sample Input

Sample Output

4
3 1 1
0.33
0.34
0.33
3 1 2
0.33
0.34
0.33
3 1 2
0.5
0.0
0.5
4 2 2
0.5
0.0
0.0
0.5
Case #1: 0.3300000
Case #2: 0.4781370
Case #3: 0.6250000
Case #4: 0.3164062
 
/*此题是很经典的全概率问题。要求m代后绝种的概率。只需分别求出一只毛球在第一代到第m带刚好绝种的概率,相加即可
此题每只毛球最多可能生到1000个孩子,代数上限是1000.求一只到第i代绝种的概率,可以利用一只到i-1代绝种的概率
过程如下:一只成功生下一个孩子的概率*一只i-1代绝种的概率
          一只成功生下二个孩子的概率*(一只i-1代绝种的概率的平方)
		  以此类推即可*/
#include<iostream>
#include<cstdio>
#include<string>
#include<algorithm>
using namespace std;
int main()
{
	long double p[1010],f[1010];
	int i,n,m,j,k,tt;
	long double t,ans,ans1; 
	scanf("%d",&tt);//输入样例数
	for (int u=1;u<=tt;u++)
	{
		scanf("%d%d%d",&n,&k,&m);
		for (i=0;i<n;i++)
			scanf("%lf",&p[i]);//p[i]代表每只毛球生i个孩子的概率
		f[1]=p[0];ans1=f[1];//f[1]=p[0] p[0]表示生0个孩子 f[i]代表一只毛球经过i代死光的概率
		for (i=2;i<=m;i++)
		{
			t=f[i-1];f[i]=0;
			for (j=1;j<n;j++)
			{
				f[i]+=t*p[j];
				t*=f[i-1];
			}
			ans1+=f[i];
		}
		ans=1;
		for (i=1;i<=k;i++)//k是初始的毛球数目
			ans*=ans1;
		printf("Case #%d: %.7lf\n",u,ans);
	}	
}


内容概要:本文详细探讨了基于樽海鞘算法(SSA)优化的极限学习机(ELM)在回归预测任务中的应用,并与传统的BP神经网络、广义回归神经网络(GRNN)以及未优化的ELM进行了性能对比。首先介绍了ELM的基本原理,即通过随机生成输入层与隐藏层之间的连接权重及阈值,仅需计算输出权重即可快速完成训练。接着阐述了SSA的工作机制,利用樽海鞘群体觅食行为优化ELM的输入权重和隐藏层阈值,从而提高模型性能。随后分别给出了BP、GRNN、ELM和SSA-ELM的具体实现代码,并通过波士顿房价数据集和其他工业数据集验证了各模型的表现。结果显示,SSA-ELM在预测精度方面显著优于其他三种方法,尽管其训练时间较长,但在实际应用中仍具有明显优势。 适合人群:对机器学习尤其是回归预测感兴趣的科研人员和技术开发者,特别是那些希望深入了解ELM及其优化方法的人。 使用场景及目标:适用于需要高效、高精度回归预测的应用场景,如金融建模、工业数据分析等。主要目标是提供一种更为有效的回归预测解决方案,尤其是在处理大规模数据集时能够保持较高的预测精度。 其他说明:文中提供了详细的代码示例和性能对比图表,帮助读者更好地理解和复现实验结果。同时提醒使用者注意SSA参数的选择对模型性能的影响,建议进行参数敏感性分析以获得最佳效果。
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