python-最接近target的值

1 .问题描述
给出一个数组,在数组中找到 2 个数,使得它们的和最接近但不超
过目标值,返回它们的和。
2 .问题示例
输入 target=15 array=[1 3 5 11 7] ,输出 14 11+3=14 。输入
target=16 array=[1 3 5 11 7] ,输出 16 11+5=16
3 .代码实现
class Solution:

    def chooseTarget(self,target,array):
        n = len(array)
        if n < 2:
            return -1
        array.sort()
        max_s = 0x7fffffff  ##表示32位二进制数的最大值
        left = 0
        right = n - 1
        while left < right:
            if array[left] + array[right] > target:
                right -= 1
            else:
                max_s = min(max_s,target - array[left] - array[right])
                left += 1
        if max_s == 0x7fffffff:
            return -1
        else:
            return target - max_s

if __name__ == "__main__":
    array = [1,3,5,11,7]
    target = 15
    s = Solution()
    print(s.chooseTarget(target,array))
4 .运行结果
输入:
[1,3,5,11,7]
15
输出:
14

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
梯度下降法是一种常用的优化算法,用于求解函数的极小。在Python中,可以使用NumPy库来实现梯度下降法。 以下是使用梯度下降法求函数极小的步骤: 1. 定义目标函数:首先,需要定义一个目标函数,即要求解极小的函数。例如,我们可以定义一个简单的二次函数作为目标函数:f(x) = x^2。 2. 初始化参数:选择一个初始点作为起始点,并初始化学习率和迭代次数。学习率决定了每次迭代更新参数的步长,迭代次数决定了算法的收敛性。 3. 计算梯度:计算目标函数在当前参数点处的梯度。梯度表示了函数在该点处的变化率和方向。 4. 更新参数:根据梯度和学习率,更新参数的数。更新规则为:参数 = 参数 - 学习率 * 梯度。 5. 迭代更新:重复步骤3和步骤4,直到达到指定的迭代次数或满足停止条件(例如梯度接近于零)。 下面是一个使用梯度下降法求解目标函数极小Python代码示例: ```python import numpy as np # 定义目标函数 def target_function(x): return x**2 # 梯度下降法求解极小 def gradient_descent(learning_rate, num_iterations): # 初始化参数 x = 0 # 迭代更新 for i in range(num_iterations): # 计算梯度 gradient = 2 * x # 更新参数 x = x - learning_rate * gradient return x # 设置学习率和迭代次数 learning_rate = 0.1 num_iterations = 100 # 调用梯度下降法函数 result = gradient_descent(learning_rate, num_iterations) print("极小点:", result) print("极小:", target_function(result)) ``` 运行以上代码,将得到目标函数的极小点和极小
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