鞍点 C语言

鞍点

题目内容:

给定一个n*n矩阵A。矩阵A的鞍点是一个位置(i,j),在该位置上的元素是第i行上的最大数,第j列上的最小数。一个矩阵A也可能没有鞍点。
你的任务是找出A的鞍点。

输入格式:

输入的第1行是一个正整数n, (1<=n<=100),然后有n行,每一行有n个整数,同一行上两个整数之间有一个或多个空格。

输出格式:

对输入的矩阵,如果找到鞍点,就输出其下标。下标为两个数字,第一个数字是行号,第二个数字是列号,均从0开始计数。
如果找不到,就输出
NO
题目所给的数据保证了不会出现多个鞍点。

输入样例:

4
1 7 4 1
4 8 3 6
1 6 1 2
0 7 8 9

输出样例:

2 1

代码

ps:这次写了3个小时😶

/*题目内容:
给定一个n*n矩阵A。矩阵A的鞍点是一个位置(i,j),在该位置上的元素是第i行上的最大数,第j列上的最小数。一个矩阵A也可能没有鞍点。
你的任务是找出A的鞍点。

输入格式:
输入的第1行是一个正整数n, (1<=n<=100),然后有n行,每一行有n个整数,同一行上两个整数之间有一个或多个空格。

输出格式:
对输入的矩阵,如果找到鞍点,就输出其下标。下标为两个数字,第一个数字是行号,第二个数字是列号,均从0开始计数。
如果找不到,就输出
NO
题目所给的数据保证了不会出现多个鞍点。

输入样例:
4
1 7 4 1
4 8 3 6
1 6 1 2
0 7 8 9

输出样例:
2 1 */

#include <stdio.h>

int main()
{
	// 建立数组
	int n;
	int a[100][100] = {0, };
	
	// 读入数组
	scanf("%d", &n);
	
	int i, j;
	for (i = 0; i < n; i++)
	{	
		for (j = 0; j < n; j++)  // 不能在循环外把j初始化为0
		{
			scanf("%d", &a[i][j]);
		}
	}

	// 寻找鞍点
	int x;
	int maxid, minid;
	for (x = 0; x<n; x++)  // 从第一行开始处理
	{
		
		int t;
		maxid = 0;
		for (t = 1; t<n; t++)  // 找出一行中最大值的列
		{
			if (a[x][t] > a[x][maxid])
			{
				maxid = t;
			}
		}

		int z = 1;
		minid = 0;
		for (z; z<n; z++)  // 返回该列中最小值所在行
		{
			if (a[z][maxid] < a[minid][maxid])
			{
				minid = z;
			}
		}

		if (minid == x) break;  // 如果最小值所在行与x相等,即为鞍点
	}

	// 输出结果
	if (minid == x)
	{
		printf("%d %d", minid, maxid);
	}
	else
	{
		printf("NO");
	}

	return 0;
}
  • 1
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
点是指函数在某个点的梯度为零,且该点的“拐点”(也就是 Hessian 矩阵的矩阵特征值有正有负)的点。在 C 语言中,可以使用数值优化库,如 GSL(GNU Scientific Library)或 NAG(Numerical Algorithms Group)库来找到函数的点。 下面是使用 GSL 库找到函数的点的示例代码: ```c #include <stdio.h> #include <gsl/gsl_multimin.h> // 定义函数 double func(const gsl_vector *v, void *params) { double x = gsl_vector_get(v, 0); double y = gsl_vector_get(v, 1); return x * x - y * y; } // 定义函数的梯度 void grad(const gsl_vector *v, void *params, gsl_vector *df) { double x = gsl_vector_get(v, 0); double y = gsl_vector_get(v, 1); gsl_vector_set(df, 0, 2 * x); gsl_vector_set(df, 1, -2 * y); } int main() { const gsl_multimin_fdfminimizer_type *T; gsl_multimin_fdfminimizer *s; int iter = 0, status; const size_t n = 2; double eps = 1e-8; // 初始点 gsl_vector *x = gsl_vector_alloc(n); gsl_vector_set(x, 0, 1.0); gsl_vector_set(x, 1, 1.0); // 定义函数及梯度 gsl_multimin_function_fdf my_func; my_func.n = n; my_func.f = &func; my_func.df = &grad; my_func.fdf = NULL; my_func.params = NULL; // 定义优化器类型 T = gsl_multimin_fdfminimizer_conjugate_fr; s = gsl_multimin_fdfminimizer_alloc(T, n); // 初始化优化器 gsl_multimin_fdfminimizer_set(s, &my_func, x, 0.01, eps); do { iter++; status = gsl_multimin_fdfminimizer_iterate(s); if (status) break; status = gsl_multimin_test_gradient(s->gradient, eps); } while (status == GSL_CONTINUE && iter < 100); printf("Minimum found at:\n"); printf("%5.5f %5.5f\n", gsl_vector_get(s->x, 0), gsl_vector_get(s->x, 1)); gsl_multimin_fdfminimizer_free(s); gsl_vector_free(x); return 0; } ``` 该示例代码中,我们首先定义了函数 `func` 和它的梯度 `grad`。然后,我们使用 GSL 库中的 `gsl_multimin_fdfminimizer` 类型来定义优化器。在初始化优化器时,我们通过 `gsl_multimin_fdfminimizer_set` 函数将函数及梯度传递给了优化器。最后,我们使用 `gsl_multimin_fdfminimizer_iterate` 函数迭代求解函数的点,并使用 `gsl_multimin_test_gradient` 函数检查是否已收敛。 需要注意的是,由于点通常比最小值或最大值更难以找到,因此需要更多的迭代次数和更小的收敛阈值。

“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