Leaderboard

Estatística de deltas horizontais e verticais na Megasena. O objetivo foi verificar se determinadas posições (2 e 5) tinham melhores perspectivas em relação ao aleatório. No arquivo tem dois relatórios de processamento específico da versões V1 e V3 , um Relatorio_Estudo_Deltas_MegaSena, esse geral além dos dois script. Para ideia do comportamento: COBERTURA DA UNIÃO DOS CANDIDATOS DIVERSIFICADOS ---------------------------------------------------------------------------------------------------- Média dezenas oficiais cobertas pela união Top5 : 1.3275/6 Média dezenas oficiais cobertas pela união Top10 : 1.5712/6 Top10 união cobre 0 dezenas: 365 ( 14.280%) Top10 união cobre 1 dezenas: 890 ( 34.820%) Top10 união cobre 2 dezenas: 864 ( 33.803%) Top10 união cobre 3 dezenas: 355 ( 13.889%) Top10 união cobre 4 dezenas: 77 ( 3.013%) Top10 união cobre 5 dezenas: 5 ( 0.196%) Top10 união cobre 6 dezenas: 0 ( 0.000%) /////////////////////////////////////// DISTRIBUIÇÃO DE ACERTOS DO JOGO PRINCIPAL ---------------------------------------------------------------------------------------------------- 0 acertos: 1319 ( 51.604%) 1 acertos: 967 ( 37.833%) 2 acertos: 243 ( 9.507%) 3 acertos: 27 ( 1.056%) 4 acertos: 0 ( 0.000%) 5 acertos: 0 ( 0.000%) 6 acertos: 0 ( 0.000%) //////////////////////////////////// Como foi específico para comparação de previsão/aleatório pode ser que se focado apenas em previsão possa ser ajustado para uma melhor acurácia. hehehehe vamos que vamos recuperar o que o dono de Master tomou.

BigMaxRedutor como o próprio nome diz, é um redutor de matrizes ( chegou a bater record mundial por algumas horas 27,7,6,8=168) O BigMaxRedutor é um solver/redutor combinatório voltado a problemas de cobertura parametrizados por V, K, T e M. A versão 15.4 foi consolidada como uma revisão paramétrica: ela não adiciona um novo operador de busca, mas melhora a gestão de orçamento, a diversidade de bacias, o KICK de escape e a expansão do domínio do FocusedDefectChain. A filosofia do programa é genérica. O comportamento deve ser determinado pelos parâmetros da instância e pelo estado real da busca, e não por regras específicas para um único conjunto V,K,T,M. Uma redução pode ou não existir, e o solver pode ou não alcançá-la dentro do orçamento escolhido; o requisito principal é que a busca, a certificação e a preservação das elites sejam tecnicamente coerentes. Pipeline de alto nível do Record Breaker Arquivo / semente ↓ ParentCheck / certificação ↓ TShadow estrutural + smart_shrink / FocusedShrink ↓ ValidManifold / diversidade de elites ↓ Estado de trabalho b ↓ Workers (INTENSIFY / EXPLORE / DEEP) ↓ TLS-Dir + repair + endgames ↓ BasinMemory / AntiAttr / Rollback / KICK ↓ Elite preservada ou cost=0 Nem todos os mecanismos são obrigatoriamente executados em toda chamada. A v15.4 usa gates, bandas de precisão, saturação e memória de bacias para evitar disparar operadores caros sem necessidade. Requisitos e compilação no Windows · Windows 64 bits. · Visual Studio 2026 ou Build Tools equivalentes com compilador MSVC C++ x64. · Suporte a C++20 e biblioteca padrão correspondente. · Pasta de trabalho com permissão de leitura e gravação. Compilação recomendada Abra o prompt de desenvolvimento x64 do Visual Studio/Build Tools, navegue para a pasta extraída e execute o script: cd C:\Users\<usuario>\Documents\C++\BigMaxRedutor_v15.4 build_vs2026 Ao final, o executável esperado é: BigMaxRedutor_v15.4.exe Referências [1] Kirkpatrick, S.; Gelatt, C. D.; Vecchi, M. P.. Optimization by Simulated Annealing. Science, 220(4598), 671–680, 1983. https://doi.org/10.1126/science.220.4598.671 [2] Glover, F.. Tabu Search—Part I. ORSA Journal on Computing, 1(3), 190–206, 1989. https://doi.org/10.1287/ijoc.1.3.190 [3] Feo, T. A.; Resende, M. G. C.. Greedy Randomized Adaptive Search Procedures. Journal of Global Optimization, 6, 109–133, 1995. https://doi.org/10.1007/BF01096763 [4] Burke, E. K.; Bykov, Y.. The Late Acceptance Hill-Climbing Heuristic. European Journal of Operational Research, 258(1), 70–78, 2017. https://doi.org/10.1016/j.ejor.2016.07.012 [5] Lourenço, H. R.; Martin, O. C.; Stützle, T.. Iterated Local Search. Handbook of Metaheuristics, pp. 320–353, 2003. https://doi.org/10.1007/0-306-48056-5_11 [6] Pisinger, D.; Røpke, S.. Large Neighborhood Search. Handbook of Metaheuristics, 3rd ed., pp. 99–127, 2018. https://doi.org/10.1007/978-3-319-91086-4_4 [7] Voudouris, C.; Tsang, E. P. K.. Guided Local Search and Its Application to the Traveling Salesman Problem. European Journal of Operational Research, 113(2), 469–499, 1999. https://doi.org/10.1016/S0377-2217(98)00099-X [8] Mladenović, N.; Hansen, P.. Variable Neighborhood Search. Computers & Operations Research, 24(11), 1097–1100, 1997. https://doi.org/10.1016/S0305-0548(97)00031-2 [9] Schönheim, J.. On Coverings. Pacific Journal of Mathematics, 14(4), 1405–1411, 1964. https://doi.org/10.2140/pjm.1964.14.1405