紫书 例题 9-4 UVa 116 ( 字典序递推顺序)

这道题在递推方式和那个数字三角形有一点相像,很容易推出来
但是这道题要求的是字典序,这里就有一个递推顺序的问题
这里用逆推,顺推会很麻烦,为什么呢?
如果顺推的话,最后一行假设有种情况是最小值,那么你怎么知道哪一种的
是字典序最小?最后一行的数字最小显然不一定整个路径的字典序最小,因为
字典序是从第一行开始比较的。
如果非要这么做的话可以把这几种情况的路径全部记下来,
然后排序,选出最小的输出。同时输出路径还要写一个递归。这样显然很麻烦。
但是如果是逆推的话,我们推到最后是第一行,这个时候如果有多种情况是
最小值,显然第一行最小肯定字典序最小,这个时候就可以选出答案,直接
输出就可以了。
所以以后这种要求字典序的题要考虑逆推

#include<cstdio>
#include<algorithm>
#define REP(i, a, b) for(int i = (a); i < (b); i++)
using namespace std;

const int MAXN = 112;
int a[MAXN][MAXN], d[MAXN][MAXN], Next[MAXN][MAXN];
int n, m;

int main()
{
	while(~scanf("%d%d", &n, &m))
	{
		REP(i, 0, n)
			REP(j, 0, m)
				scanf("%d", &a[i][j]);
		
		int ans = 1e9, first = 0;
		for(int j = m - 1; j >= 0; j--)
			REP(i, 0, n)
			{
				if(j == m - 1) d[i][j] = a[i][j];
				else
				{
          			int row[3] = {i, (i - 1 + n) % n, (i + 1) % n};
         		 	d[i][j] = 1e9;
					sort(row, row + 3);
					REP(k, 0, 3)
					{
						int v = a[i][j] + d[row[k]][j+1];
						if(v < d[i][j]) { d[i][j] = v; Next[i][j] = row[k]; }
					}
					
				}
				if(j == 0 && d[i][j] < ans) { ans = d[i][j]; first = i; }
			}
		
		printf("%d", first + 1);
		for(int i = Next[first][0], j = 1; j < m; i = Next[i][j], j++)
			printf(" %d", i + 1);
		printf("\n%d\n", ans);
	}
	
	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