罪恶的 中缀表达式变后缀表达式

/*

  所有好的简短的代码 都是我写的。

  ~          别人写的

  下面像shit一样的代码绝对绝对不是我写的 不是我写的 就是这样

 */

/*中缀表达式变成后缀表达式
 *中缀表达式就是我们一般所见的式子 运算符在操作数之间 
 * 后缀表达式 运算符在操作数后面
 * 规则:数据结构 栈
 * 将中缀表达式转换为后缀表达式的算法思想:
   ·开始扫描;
   ·数字时,加入后缀表达式;
   ·运算符:
   a. 若为 '(',入栈;
   b. 若为 ')',则依次把栈中的的运算符加入后缀表达式中,直到出现'(',从栈中删除'      '(' ;
   c. 若为 除括号外的其他运算符, 当其优先级高于除'('以外的栈顶运算符时,直接入    栈。否则从栈顶开始,依次弹出比当前处理的运算符优先级高和优先级相等的运算符,直到一个比它优先级低的或者遇到了一个左括号为止,然后将其自身压入栈中(先出后入)。
·当扫描的中缀表达式结束时,栈中的的所有运算符出栈;
 * 
 * 以下 数字均以字母代替 此代码bug很多,不能马上将字母代替为数字 即使可以多位数字仍需要继续修改
 *
 * 输入:中缀表达式
 * 输出:后缀表达式
 */
#include<stdio.h>
#include<string.h>
#define maxsize 100
typedef struct stack
{
	char data[maxsize];
	int top;
}stack,*sta;
void judge(stack *s,char c,stack *s1);//似乎需要enum
void print(stack *s,stack *s1);
void push(stack *s,char c);
void pop(stack *s,char c,stack *s1);
void construct(char *s)
{
	stack op,postfix;
	postfix.top=-1;
	op.top=-1;
	int i;
	int len=strlen(s);
	for(i=0;i<len;i++)
	{
		if(s[i]!='+'&&s[i]!='-'&&s[i]!='*'&&s[i]!='/'&&s[i]!='('&&s[i]!=')')
		{
			push(&postfix,s[i]);//如果是操作数加入后缀表达式栈
			printf("%c ",s[i]);
		}
		else if(s[i]=='+'||s[i]=='-'||s[i]=='*'||s[i]=='/'||s[i]=='('||s[i]==')')
		{
			if(s[i]=='(')
			{
				push(&op,s[i]);//如果是( 入操作符栈
			}
			else if(s[i]==')')
			{
				pop(&op,s[i],&postfix);
				/*如果是)则依次把栈中运算符加入后缀表达式,直到出现(,从栈里删除(*/
			}
			else
			{
				judge(&op,s[i],&postfix);
				/* 如果优先级高于栈顶元素则入栈,否则从栈顶开始依次弹出比当前运算符优先级高或者相等的运算符直到遇见比它优先级低的或者遇到一个左括号为止,然后将其压入栈*/
			}
		}
	}
	print(&postfix,&op);//
}
void judge(stack *s,char c,stack *s1)//似乎需要enum
{
	char op=s->data[s->top];
	if(op=='(') push(s,c);
	else
        	switch(c)
		{
			case '+':pop(s,c,s1);break;
			case '-':pop(s,c,s1);break;
			case '*':if(op=='+'||op=='-') push(s,c);
				 else pop(s,c,s1);break;
			case '/':if(op=='+'||op=='-') push(s,c);
                                 else pop(s,c,s1);break;
		}
}
void print(stack *s,stack *s1)
{
	while(s1->top>=0)
	{
		printf("%c",s1->data[s1->top]);
		s1->top--;
	}
	printf("\n");
}
void push(stack *s,char c)
{
	s->data[++s->top]=c;
}
void pop(stack *s,char c,stack *s1)
{
	if(c==')')
	{
		while(s->data[s->top]!='(')
		{
			push(s1,s->data[s->top]);
			printf("%c ",s->data[s->top]);
			s->top--;
		}
		s->data[s->top--];
	}
	else// c 为 + - 没有用的op 或者 c为 * / op为* /都没用
	{
		if(s->top!=-1)
		{
		if(c=='+'||c=='-'||c=='*'||c=='/')
		{
		if(c=='+'||c=='-')
		while(s->top>=0)
		{
			if(s->data[s->top]=='(') break;
			else
			{
			//s->data[s->top]=in; 左值 右值 
			push(s1,s->data[s->top]);
			printf("%c ",s->data[s->top]);
			s->top--;
			}
		}
		else
		{
			while(s->top>=0)
			{
				if(s->data[s->top]=='('||s->data[s->top]=='+'||s->data[s->top]=='-') break;
				else
				{
				push(s1,s->data[s->top]);				                        printf("%c ",s->data[s->top]);

				s->top--;
				}
				
			}
		}
		push(s,c);
		}
		}
		else
			push(s,c);
	}	
}
int main()//shit 
{
	char s[]="a+b-a*((c+d)/e-f)+g";
	construct(s);
	char s1[]="a/b+(c*d-e*f)/g";
	construct(s1);

}

输出:

以上代码在很多地方都还可以改进,比如那些运算符匹配关系,现在没空。有空再改。

这种像shit一样的代码真让人伤心,请赐予久久一个人类吧,每天马不停蹄地教久久。我允许他比我聪明了。

这种像shit一样的垃圾还是让人很伤心。一波二叉树 ,线索二叉树,哈夫曼,B+,AVL即将来袭 溜了溜了

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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