快速幂以及快速矩阵幂

求幂是常见的运算,当然用朴素的循环做法很容易解决。但是在ACM中,当所要求的幂指数太大时,并且如果是在在循环当中,那么O(N)的时间复杂度往往不能达到ACM比赛要求的时间要求。因此快速幂是一种很好的求幂方法,简单易行,并且时间复杂度为O(logN),可以满足相当的时间要求。


PS:if(n&1)
     &符号表示取与运算,因为1的二进制表示最后一位为1,所以若是使n&1为真,那么n的二进制表示最后一位也是1,这样的话就证明了n也是奇数,因此,该取与运算是判断n是否为奇数的快速方法。
 
快速幂算法思路:
      因为   a^b mod c=(a^2)^(b/2) mod c  (b为偶数);
               a^b mod c=((a^2)^(b div 2)*a) mod c (b为奇数)
  所以可以在计算过程中不断地将底数平方、指数除以2,用另一个变量记录最终答案。

  得到快速幂算法:

int quickpow(int m,int n)
{
    int ans=1;
    while(n>0)
    {
        if(n&1)//n为奇数时,相乘一次;
          ans=(ans*m)%mod;
        n>>=1;
        m=(m*m)%mod;//底数进行平方
    }
    return ans;
}

对于矩阵相乘的运算,同样也有矩阵的快速幂运算,思路与上面相同,算法如下:

#include <stdio.h>
#define MAXN 100
const int mod=3001;
  
struct mat
{
    int n;
    int date[MAXN][MAXN];
  
    int *operator[](int i){//重载运算符
       return date[i];
    }
  
    mat operator*(mat &b)//矩阵乘法
    {
        mat ans;ans.n=n;
        int i,j,k;
  
        for(i=1;i<=n;i++)
           for(j=1;j<=n;j++)
           {
               ans[i][j]=0;
               for(k=1;k<=n;k++)
                  ans[i][j]+=(date[i][k]*b[k][j])%mod;
                ans[i][j]%=mod;
           }
        return ans;
    }
};
  
mat matquickpow(mat &a,int b)
{
    mat ans=a;b--;//由于此处ans=a,因此需要b-1;
    while(b>0)
    {
        if(b&1)
           ans=ans*a;
        b>>=1;
        a=a*a;
    }
    return ans;
}
  
int main()
{
    int t,m,n,b;
    scanf("%d",&t);
  
    while(t--)
    {
        scanf("%d %d",&n,&b);
        int i,j;
  
        mat ans1;ans1.n=n;
        for(i=1;i<=n;i++)
           for(j=1;j<=n;j++)
             scanf("%d",&ans1[i][j]);
  
        mat a=matquickpow(ans1,b);
  
        for(i=1;i<=n;i++)
        {
            for(j=1;j<=n;j++)
              printf("%d ",a[i][j]);
            printf("\n");
        }
    }
}


内容概要:本文系统研究了电力系统短期负荷预测问题,提出并实现了基于极限学习机(ELM)及其智能优化改进模型的预测方法。研究涵盖标准ELM、白鲸优化算法(BWO)优化ELM和鹭鹰优化算法(IBOA)优化ELM三种模型,重点通过智能优化算法对ELM的输入权重与偏置参数进行全局寻优,有效克服了传统ELM因参数随机初始化导致的不稳定性和泛化能力不足的问题。文章完整呈现了从数据预处理、特征选择、模型构建、参数优化到预测结果对比分析的全流程,利用Matlab编程实现各模型的仿真验证,显著提升了预测精度与模型鲁棒性,为电力系统调度决策提供了可靠的技术支撑。; 适合人群:具备电力系统基础知识、时间序列预测理论及Matlab编程能力的高校研究生、科研机构研究人员以及电力公司从事负荷预测、电网调度与规划工作的技术人员。; 使用场景及目标:①应用于实际电力系统短期负荷预测业务中,提升电网运行调度的精细化与智能化水平;②作为智能优化算法与神经网络融合的经典案例,服务于学术论文撰写、科研项目申报及算法性能对比研究;③应对新能源大规模接入背景下负荷波动加剧的挑战,为构建高精度、强鲁棒性的现代负荷预测体系提供解决方案。; 阅读建议:建议读者结合所提供的Matlab代码进行动手实践,深入理解ELM网络结构与优化算法的集成机制,重点对比分析不同优化策略在收敛速度、预测误差(如MAE、RMSE、MAPE)等方面的性能差异,进而掌握智能优化技术在提升预测模型性能方面的关键作用。
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