poj 2112 Optimal Milking 网络流

题意:安排C头奶牛到K个挤奶器,每个挤奶器最多能为M头牛挤奶,给出奶牛、挤奶器之间的额边的权值,求所有安排方案中,C头奶牛需要走的最大距离的最小值

先求好原图中两两间的最短路径,再二分答案,验证是否能满足C头奶牛都能到达挤奶器,能的话就继续缩小范围

具体验证方法:增加一个汇点,每个挤奶器向汇点连上一条容量为M的边,增加一个源点,向每只牛连一条容量为1的边,然后求一个s--t的最大流即可

View Code
#include<iostream>
#include<string.h>
#include<stdio.h>
#include<queue>
#define arr 300
#define MAX 99999999
#define min(a,b)(a<b?a:b)
using namespace std;
int map[arr][arr],pre[arr],flow[arr];
int n,m,start,end;
int K,C,M;
int BFS()
{
int i,j,k,v,u;
memset(pre,-1,sizeof(pre));
for(i=0;i<=n;i++) flow[i]=MAX;
queue<int>que;
pre[start]=0;
que.push(start);
while(!que.empty())
{
v=que.front();
que.pop(); //清空队列;
for(i=0;i<=n;i++)
{
u=i;
if(u==start||pre[u]!=-1||map[v][u]==0) continue;
pre[u]=v;
flow[u]=min(flow[v],map[v][u]);
que.push(u);
}
}
if(flow[end]==MAX) return -1;
return flow[end];
}
int Edmonds_Karp()
{
int i,j,k,temp,now,last,ans=0;
while(1)
{
temp=BFS();
if(temp==-1) break;
ans+=temp;
now=end;
while(now!=start)
{
last=now;
now=pre[now];
map[now][last]-=temp;
map[last][now]+=temp;
}
}
return ans;
}
int dis[arr][arr];
void build(int x)
{
int i,j;
memset(map,0,sizeof(map));
for(i=1+K;i<=n-1;i++)
{
for(j=1;j<=K;j++)
{
if(dis[i][j]<=x) map[i][j]=1;
}
}
for(i=1;i<=K;i++) map[i][n]=M;
for(i=K+1;i<=K+C;i++) map[0][i]=1;
}
int main()
{
int i,j,k;
scanf("%d%d%d",&K,&C,&M);start=0,end=K+C+1;
n=K+C+1;
for(i=1;i<=K+C;i++)
{
for(j=1;j<=K+C;j++)
{
scanf("%d",&dis[i][j]);
if(dis[i][j]==0) dis[i][j]=MAX;
}
}
for(k=1;k<=K+C;k++)
{
for(i=1;i<=K+C;i++)
{
for(j=1;j<=K+C;j++)
{
if(dis[i][k]+dis[k][j]<dis[i][j])
dis[i][j]=dis[i][k]+dis[k][j];
}
}
}
int l=0,r=10000,mid;
int best=-1;
while(l<=r)
{
mid=(l+r)>>1;
build(mid);
int tmp=Edmonds_Karp();
if(tmp>=C)
{
best=mid;
r=mid-1;
}
else l=mid+1;
}
printf("%d\n",best);
return 0;
}



使用优化算法,以优化VMD算法的惩罚因子惩罚因子 (α) 和分解层数 (K)。 1、将量子粒子群优化(QPSO)算法与变分模态分解(VMD)算法结合 VMD算法背景: VMD算法是一种自适应信号分解算法,主要用于分解信号为不同频率带宽的模态。 VMD的关键参数包括: 惩罚因子 α:控制带宽的限制。 分解层数 K:决定分解出的模态数。 QPSO算法背景: 量子粒子群优化(QPSO)是一种基于粒子群优化(PSO)的一种改进算法,通过量子行为模型增强全局搜索能力。 QPSO通过粒子的量子行为使其在搜索空间中不受位置限制,从而提高算法的收敛速度与全局优化能力。 任务: 使用QPSO优化VMD中的惩罚因子 α 和分解层数 K,以获得信号分解的最佳效果。 计划: 定义适应度函数:适应度函数根据VMD分解的效果来定义,通常使用重构信号的误差(例如均方误差、交叉熵等)来衡量分解的质量。 初始化QPSO粒子:定义粒子的位置和速度,表示 α 和 K 两个参数。初始化时需要在一个合理的范围内为每个粒子分配初始位置。 执行VMD分解:对每一组 α 和 K 参数,运行VMD算法分解信号。 更新QPSO粒子:使用QPSO算法更新粒子的状态,根据适应度函数调整粒子的搜索方向和位置。 迭代求解:重复QPSO的粒子更新步骤,直到满足终止条件(如适应度函数达到设定阈值,或最大迭代次数)。 输出优化结果:最终,QPSO算法会返回一个优化的 α 和 K,从而使VMD分解效果最佳。 2、将极光粒子(PLO)算法与变分模态分解(VMD)算法结合 PLO的优点与适用性 强大的全局搜索能力:PLO通过模拟极光粒子的运动,能够更高效地探索复杂的多峰优化问题,避免陷入局部最优。 鲁棒性强:PLO在面对高维、多模态问题时有较好的适应性,因此适合海上风电时间序列这种非线性、多噪声的数据。 应用场景:PLO适合用于优化VMD参数(α 和 K),并将其用于风电时间序列的预测任务。 进一步优化的建议 a. 实现更细致的PLO更新策略,优化极光粒子的运动模型。 b. 将PLO优化后的VMD应用于真实的海上风电数据,结合LSTM或XGBoost等模型进行风电功率预测。
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