请各位大神帮忙看一下一个小程序,如何提高运算效率,必有重谢!!!

leadercqf leadercqf 墨衍会员 · AI 创作全网分发 墨衍智能分发 通过墨衍一键同步至各平台 可同步平台 CSDN微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年,写一次发全网 我也要 + 加入社区
我是物理专业的,这是我的一个科研项目中需要做的计算,是用蒙特卡洛模拟ising model的相变温度,在之前也写过类似的程序,但是计算比这个简单,所以能顺利得到结果,但是现在算的这个一直都在运行状态,算不出结果。 本人不是软件专业的所以不知道如何能改进,希望各大神能帮帮忙,我不是伸手党,大神们可以只是指点迷津。但是能帮我更具体地修改一下就更好啦谢谢谢谢!!!! 能做下去也许能发个paper(ps:上万次循环是计算需要的,因为想要更精确的结果)如果需要知道各个变量具体是拿来干嘛的话可以提出来,好心的大神可以加qq383119913详细讨论!!过年了有重谢!!

#include<stdio.h>
#include<math.h>
#include<stdlib.h>
#include<time.h>
int main()
{
int n = 8,s[8][8][8],i,II,j,k,k1,M1[50000],m=0;
double esum,esum1,esum2=0,e,e1,e2,e3=0,iseed,C1=0,E1[50000],t,m1=0;srand((unsigned)time(NULL));
int (*p)[8][8];
p = s;
for (i=0;i<=n-1;i++)
{
for(j=0;j<=n-1;j++)
{
for(k=0;k<=n-1;k++)
{
*(*(*(p+i)+j)+k)=1;
}
}
}

t=5;
for(k=0;k<15000;k++)
{
/****/
for(i=0;i<=n-1;i++)
{
for(j=0;j<=n-1;j++)
{
for(k=0;k<8;k++)
{
esum1 = 2*s[i][j][k]*(s[i][j][(k+1)&7]+s[i][j][(k-1)&7])/t;
if(k==0) esum2 = 0.5*s[i][j][0]*s[(i+1)&7][j][5]/t;
if(k==1) esum2 = 0.5*s[i][j][1]*s[(i+1)&7][j][4]/t;
if(k==2) esum2 = 0.5*s[i][j][2]*s[i][(j+1)&7][7]/t;
if(k==3) esum2 = 0.5*s[i][j][3]*s[i][(j+1)&7][6]/t;
if(k==4) esum2 = 0.5*s[i][j][4]*s[(i-1)&7][j][1]/t;
if(k==5) esum2 = 0.5*s[i][j][5]*s[(i-1)&7][j][0]/t;
if(k==6) esum2 = 0.5*s[i][j][6]*s[i][(j-1)&7][3]/t;
if(k==7) esum2 = 0.5*s[i][j][7]*s[i][(j-1)&7][2]/t;
esum = esum1 + esum2;
iseed=(rand()%10000)*0.0001;
if(iseed<=exp(esum))
{
s[i][j][k]=-s[i][j][k];
}
}
}
//****一次扫描/*
}
}
m = 0;
for(i=0;i<=n-1;i++)
{
for(j=0;j<=n-1;j++)
{
for(k=0;k<8;k++)
{
m=m+s[i][j][k];
}
}
}
esum = 0;
for(k1=0;k1<50000;k1++)
{
for(i=0;i<=n-1;i++)
{
for(j=0;j<=n-1;j++)
{
for(k=0;k<8;k++)
{
if(k==0) esum2 = 0.5*s[i][j][0]*s[(i+1)&7][j][5]/t,esum1 = 2*s[i][j][k]*(s[i][j][(k+1)&7]+s[i][j][(k-1)&7])/t,esum = esum1 + esum2;
if(k==1) esum2 = 0.5*s[i][j][1]*s[(i+1)&7][j][4]/t,esum1 = 2*s[i][j][k]*(s[i][j][(k+1)&7]+s[i][j][(k-1)&7])/t,esum = esum1 + esum2;
if(k==2) esum2 = 0.5*s[i][j][2]*s[i][(j+1)&7][7]/t,esum1 = 2*s[i][j][k]*(s[i][j][(k+1)&7]+s[i][j][(k-1)&7])/t,esum = esum1 + esum2;
if(k==3) esum2 = 0.5*s[i][j][3]*s[i][(j+1)&7][6]/t,esum1 = 2*s[i][j][k]*(s[i][j][(k+1)&7]+s[i][j][(k-1)&7])/t,esum = esum1 + esum2;
if(k==4) esum2 = 0.5*s[i][j][4]*s[(i-1)&7][j][1]/t,esum1 = 2*s[i][j][k]*(s[i][j][(k+1)&7]+s[i][j][(k-1)&7])/t,esum = esum1 + esum2;
if(k==5) esum2 = 0.5*s[i][j][5]*s[(i-1)&7][j][0]/t,esum1 = 2*s[i][j][k]*(s[i][j][(k+1)&7]+s[i][j][(k-1)&7])/t,esum = esum1 + esum2;
if(k==6) esum2 = 0.5*s[i][j][6]*s[i][(j-1)&7][3]/t,esum1 = 2*s[i][j][k]*(s[i][j][(k+1)&7]+s[i][j][(k-1)&7])/t,esum = esum1 + esum2;
if(k==7) esum2 = 0.5*s[i][j][7]*s[i][(j-1)&7][2]/t,esum1 = 2*s[i][j][k]*(s[i][j][(k+1)&7]+s[i][j][(k-1)&7])/t,esum = esum1 + esum2;
iseed=(rand()%10000)*0.0001;
if(iseed<=exp(esum))
{
s[i][j][k]=-s[i][j][k];
m = m + 2*s[i][j][k];
}
}
}
//****一次扫描/*
}
e=0;
e1=0;
e2=0;
for(i=0;i<=n-1;i++)
{
for(j=0;j<=n-1;j++)
{
e1 = -(s[i][j][1]*s[i][j][2] + s[i][j][2]*s[i][j][3] + s[i][j][3]*s[i][j][4] + s[i][j][4]*s[i][j][5] + s[i][j][5]*s[i][j][6] + s[i][j][6]*s[i][j][7] + s[i][j][7]*s[i][j][0]+ s[i][j][0]*s[i][j][1]);
e2 = -0.25*(s[i][j][0]*s[(i+1)&7][j][5]+s[i][j][1]*s[(i+1)&7][j][4]+s[i][j][2]*s[i][(j+1)&7][7]+s[i][j][3]*s[i][(j+1)&7][6]+s[i][j][4]*s[(i-1)&7][j][1]+s[i][j][5]*s[(i-1)&7][j][0]+s[i][j][6]*s[i][(j-1)&7][3]+s[i][j][7]*s[i][(j-1)&7][2]);
e = e1 + e2;
}
}
M1[k1] = abs(m/512);
E1[k1] = e;
}
for (k1=0;k1<50000;k1++)
{
e3 = e3 + E1[k1];
m1 = m1 + M1[k1];
C1 = C1 + (E1[k1]*E1[k1]);
}
e3 = e3/50000;
m1 = m1/50000;
C1 = (C1/50000 - e3*e3)/(t*t);
printf("%lf\n%lf\n%lf\n",C1,e3,m1);

}

...全文
数据挖掘实战项目-从零实现决策树、朴素贝叶斯、KMeans与PCA,含清洗特征评估全流水线,33个源文件8457行 内容概要:190 页项目教程 + 一套从零实现的数据挖掘算法库与流水线,按源文件交付 33 个模块:数据集读取与 schema 校验、清洗(缺失填充、去重、IQR/Z-score 异常值、类别编码)、特征工程(标准化、分箱、多项式、方差/相关/卡方选择)、切分与分层 K 折交叉验证、CART 决策树(基尼、连续特征二分、剪枝)、朴素贝叶斯(高斯/多项式 + 拉普拉斯平滑)、KNN、线性回归(正规方程与梯度下降双实现、残差分析)、逻辑回归(交叉熵 + L2 + 梯度校验)、KMeans(k-means++ 与轮廓系数)、PCA(特征值分解与解释方差)、指标(混淆矩阵、P/R/F1、手算 ROC-AUC)、流水线(先切分后 fit,防数据泄漏)、报告与 CLI。 适合人群:要做数据挖掘课设或毕设的同学;只会调库、被问「决策树怎么分裂」答不上来的开发者;想把算法写成可跑代码而不是背公式的人。 使用场景及目标:照着教程手写每个算法,跑通三个可复现数据集,最后用一条命令跑完整流水线并输出指标报告;每个算法都配边界用例(空集、单样本、全同类、常数列、NaN),结论能被复算。 其他说明:33 个源文件 8,457 行,主机侧用例全部通过(本机 make test 实跑,只用标准库 + numpy,不依赖任何机器学习框架)。代码完整,无省略、无伪代码,数值下溢保护与参数校验全部保留。 立即下载

相关推荐

叶良辰熊猫表情包下载 叶良辰熊猫表情包 v2.0

这几天大家有没有被一位叫叶良辰的男子刷屏,各位不明真相的小伙伴一起来了解下吧!据悉,“我叫叶良辰”起源于帝吧,一位网友曝出了她和叶良辰的聊天截图,聊天中叶良辰语气

weixin_38571603

A Survey of LLM Negotiation and Bargaining Agents |LLM谈判与议价智能体综述 |arxivreview

# A Survey of LLM Negotiation and Bargaining Agents |LLM谈判与议价智能体综述 |arxivreview 综述原文见 [ArxivReview](https://www.arxivreview.com/surveys/LLM%20Negotiation%20and%20Bargaining%20Agents) ## 导读 大语言模型(LLM)谈判智能体正经历从语言模拟向经济理性的范式跃迁,其核心矛盾在于人类对齐训练带来的亲社会偏见与博弈论要求的最优策略之间的冲突。早期研究聚焦于自然语言生成的流畅性,但NegotiationArena等基准迅速揭示了模型在策略推理上的系统性缺陷,如锚定偏差与过度合作。为修正这些非理性行为,研究重心转向可验证奖励强化学习(RLVR),利用客观经济信号替代主观人类偏好,显著提升了剩余提取能力。与此同时,情感策略蒸馏与机制可解释性分析作为互补路线,分别解决了边缘部署中的能力缺失与偏差的神经基础问题。各路线在策略理性、部署效率与可解释性之间做出了不同取舍,由此形成当前多元并存的方法格局。本综述梳理这条从行为优化到机制理解的因果演进链条,为读者提供一张领域认知地图。全文按问题演化与路线取舍组织,覆盖该领域从奠基到当前的主要工作。 ## 1. 研究背景、问题结构与演进脉络 LLM谈判与议价智能体领域的兴起,源于大语言模型从静态文本生成向自主智能体(Autonomous Agents)的范式转变。早期研究如Lewis et al. (2017)提出的DealOrNoDeal和He et al. (2018)的CraigslistBargain,局限于基于规则或简单神经网络的文本谈判协议,缺乏对复杂策略推理和自然语言说服力的建模。这些工作确立了基于对话历史的策略生成与语言生成分离的早期架构,但仅

Jessica Zhan

typora编辑器 markdown Mac版本

typora编辑器 markdown Mac版本

沫离痕

【计算机体系结构】基于PCI系列总线的技术演进分析:从并行架构到高速串行互连的设计原理与应用

内容概要:本文介绍了PCI(外设组件互连)技术的发展历程及其核心架构,涵盖从传统的PCI、PCI-X到现代的PCI Express(PCIe)的技术演进。重点讲解了各代技术的革命性与继承性特点,包括带宽提升、协议优化、电气特性改进以及软件兼容性。深入探讨了PCI的地址空间(内存、I/O和配置空间)、中断机制(INTx、MSI/MSI-X)、配置空间结构(包括能力列表和扩展能力列表),并详细解析了PCI-X的分拆

Kernel_RDMA

蓝桥杯python中级真题-熊怪吃核桃(题目与思路)

蓝桥杯python中级真题-熊怪吃核桃(题目与思路)

沐墨染华
评论 5
收藏 已收藏
分享
返回顶部
leadercqf
C语言 70,039 成员 243,237 内容