c++算法——vector

vector

        vector 是标准模板库的一个容器,直接翻译为“向量”,一般来成“可变长数组”,也即“长度会根据需要而变化的数组”。在竞赛中有些题目需要很大的很大的数组,而有些还用不上就需要用到 vector 。

        使用 vector 首先要加#include <vector>,当然万能头也包含他,同时,必须要有 “using namespace std;”。

vector 定义

定义一个 vector 方法如下:

vector<int> a;//int类型的vector
vector<double> a;//double的
vector<char> a;//字符的
vector<node> a;//node是个结构体,结构体类型的

vector数组定义

vector<int> a[100];//定义一个一维长度固定为100(行固定),另一个维度不固定(列不固定)

vector<vector<int> > a;//定义一个两个维度都可以变的二维数组 

vector访问

1,下标访问

他可以使用数组的访问方法a[i]

 2,迭代器访问

vector<int>::iterator it;  //定义迭代器

可以通过*it来访问 。

vector常用函数                           作用

  1. push_back(元素)         添加一个元素到 vector 后边,时间复杂度O(1)
  2. pop_back()                  弹出(删除) vector 的最后一个元素,复杂度O(1)
  3. insert(位置,元素)       插入元素x到 vector 的指定位置it(迭代器)处,复杂度O(n)
  4. erase(位置)                  删除 vector 指定位置的元素
  5. clear()                          清除 vector 所有元素,size变为0,复杂度O(n)
  6. front()                           取 vector 的第一个元素
  7. back()                           取 vector 的最后一个元素
  8. begin()                          vector 的的第一个元素的位置,返回第一个元素的迭代器
  9. end()                             返回最后一个元素的后面位置(不是最后一个元素的迭代器)
  10. size()                             元素个数,vector 的大小,即 vector 中已有的元素的个数
  11. resize(大小)                  重新设置 vector 的大小
  12. empty                            判断 vector 是否为空

例题 

中间数

题目描述

依次读入若干正整数,如果是奇数个就输出最中间的那个数;否则,输出中间两个数的和。

以 0 作为结束标志,但 0 不计数。

输入格式

一行若干个正整数,为 0 为结束标志。

输出格式

一个数。

样例输入

1 2 3 0

样例输出

2

样例输入

1 2 3 4 0

样例输出

5

  • 2
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
被动攻击是指攻击者在不干扰系统正常运行的情况下,通过分析和破解系统信息来获取敏感信息或对系统造成破坏。在网络安全中,被动攻击是一种常见的攻击手段,例如窃听、流量分析和重放攻击等。 被动攻击可以通过构建回归模型来进行检测和预防。回归模型可以通过分析历史数据,识别出潜在的攻击模式和异常行为,并对新的数据进行分类和预测。 下面是一个使用C++实现被动攻击检测的案例,使用的回归模型是支持向量机(SVM)。 ```cpp #include <iostream> #include <fstream> #include <vector> #include <string> #include <sstream> #include <cstdlib> #include <ctime> #include <cmath> #include "svm.h" using namespace std; class PassiveAttackDetector { public: PassiveAttackDetector() : m_trained(false) {} void load_data(const string& file_path) { ifstream fin(file_path.c_str()); if (!fin) { cerr << "Failed to open file: " << file_path << endl; exit(1); } string line; while (getline(fin, line)) { vector<double> features; istringstream iss(line); double value; while (iss >> value) { features.push_back(value); } m_data.push_back(features); } fin.close(); } void train() { if (m_data.empty()) { cerr << "No data loaded!" << endl; exit(1); } svm_problem prob; prob.l = m_data.size(); prob.y = new double[prob.l]; prob.x = new svm_node*[prob.l]; for (int i = 0; i < prob.l; ++i) { vector<double>& features = m_data[i]; int num_features = features.size() - 1; prob.x[i] = new svm_node[num_features + 1]; for (int j = 0; j < num_features; ++j) { prob.x[i][j].index = j + 1; prob.x[i][j].value = features[j]; } prob.x[i][num_features].index = -1; prob.y[i] = features[num_features]; } svm_parameter param; param.svm_type = C_SVC; param.kernel_type = RBF; param.gamma = 0.5; param.C = 1; const char* errmsg = svm_check_parameter(&prob, &param); if (errmsg) { cerr << "Failed to check svm parameters: " << errmsg << endl; exit(1); } m_model = svm_train(&prob, &param); m_trained = true; for (int i = 0; i < prob.l; ++i) { delete[] prob.x[i]; } delete[] prob.x; delete[] prob.y; } bool detect(const vector<double>& features) { if (!m_trained) { cerr << "Model not trained!" << endl; exit(1); } svm_node* x = new svm_node[features.size()]; for (size_t i = 0; i < features.size(); ++i) { x[i].index = i + 1; x[i].value = features[i]; } x[features.size()].index = -1; double label = svm_predict(m_model, x); delete[] x; return (label == 1.0); } private: vector<vector<double> > m_data; svm_model* m_model; bool m_trained; }; int main() { PassiveAttackDetector detector; // Load training data detector.load_data("training_data.txt"); // Train the model detector.train(); // Generate test data const int NUM_SAMPLES = 10000; const int NUM_FEATURES = 10; const double ATTACK_RATE = 0.1; const double ATTACK_STRENGTH = 10.0; srand(time(NULL)); int num_attacks = static_cast<int>(ATTACK_RATE * NUM_SAMPLES); int num_normal = NUM_SAMPLES - num_attacks; vector<vector<double> > test_data(num_normal + num_attacks, vector<double>(NUM_FEATURES + 1)); for (int i = 0; i < num_normal; ++i) { for (int j = 0; j < NUM_FEATURES; ++j) { test_data[i][j] = static_cast<double>(rand()) / RAND_MAX; } test_data[i][NUM_FEATURES] = 0.0; // Normal sample } for (int i = num_normal; i < num_normal + num_attacks; ++i) { for (int j = 0; j < NUM_FEATURES; ++j) { test_data[i][j] = static_cast<double>(rand()) / RAND_MAX + ATTACK_STRENGTH; } test_data[i][NUM_FEATURES] = 1.0; // Attack sample } // Test the model int true_positives = 0; int false_positives = 0; for (size_t i = 0; i < test_data.size(); ++i) { bool is_attack = detector.detect(test_data[i]); if (is_attack && test_data[i][NUM_FEATURES] == 1.0) { true_positives++; } else if (is_attack && test_data[i][NUM_FEATURES] == 0.0) { false_positives++; } } double detection_rate = static_cast<double>(true_positives) / num_attacks; double false_alarm_rate = static_cast<double>(false_positives) / num_normal; cout << "Detection rate: " << detection_rate << endl; cout << "False alarm rate: " << false_alarm_rate << endl; return 0; } ``` 这个程序首先从文件中加载训练数据,然后用支持向量机训练一个分类模型。接着生成测试数据,其中攻击样本占总样本数的10%,攻击样本的特征值比正常样本大10倍。最后,程序用训练好的模型检测测试数据,并统计检测率和误报率。 要使用这个程序,需要将训练数据存储在文件“training_data.txt”中,每行表示一个数据样本,其中最后一个数字表示样本是否为攻击样本(0表示正常样本,1表示攻击样本)。对于上面的示例代码,训练数据可以随机生成。 ```cpp const int NUM_SAMPLES = 1000; const int NUM_FEATURES = 10; const double ATTACK_RATE = 0.1; const double ATTACK_STRENGTH = 10.0; ofstream fout("training_data.txt"); srand(time(NULL)); int num_attacks = static_cast<int>(ATTACK_RATE * NUM_SAMPLES); int num_normal = NUM_SAMPLES - num_attacks; for (int i = 0; i < num_normal; ++i) { for (int j = 0; j < NUM_FEATURES; ++j) { fout << static_cast<double>(rand()) / RAND_MAX << " "; } fout << "0" << endl; // Normal sample } for (int i = num_normal; i < num_normal + num_attacks; ++i) { for (int j = 0; j < NUM_FEATURES; ++j) { fout << static_cast<double>(rand()) / RAND_MAX + ATTACK_STRENGTH << " "; } fout << "1" << endl; // Attack sample } fout.close(); ``` 上面的代码生成了1000个样本,其中10%为攻击样本,特征值在[0, 1]范围内,攻击样本的特征值比正常样本大10倍。生成的训练数据存储在“training_data.txt”文件中。 这个程序是一个基本的实现,可以根据实际需求进行修改和扩展。

“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