三分算法 — 解决凸凹函数的最值

转载:https://blog.csdn.net/pi9nc/article/details/9666627

概念:

在二分查找的基础上,在右区间(或左区间)再进行一次二分,这样的查找算法称为三分查找,也就是三分法。

二分查找所面向的搜索序列的要求是:具有单调性(不一定严格单调);没有单调性的序列不是使用二分查找。

与二分查找不同的是,三分法所面向的搜索序列的要求是:序列为一个凸凹性函数。通俗来讲,就是该序列必须有一个最大(或最小值)。

我们都知道 二分查找 适用于单调函数中逼近求解某点的值。如果遇到凸性或凹形函数时,可以用三分查找求那

个凸点或凹点的近似值。如下图,表示一个有最大值的凸性函数:

如图所示,已知左右端点L、R,要求找到白点的位置。

思路:通过不断缩小 [L,R] 的范围,无限逼近白点。

做法:先取 [L,R] 的中点 mid,再取 [mid,R] 的中点 mmid,通过比较 f(mid) 与 f(mmid) 的大小来缩小范围。

           当最后 L=R-1 时,再比较下这两个点的值,我们就找到了答案。

1、当 f(mid) > f(mmid) 的时候,我们可以断定 mmid 一定在白点的右边。

反证法:假设 mmid 在白点的左边,则 mid 也一定在白点的左边,又由 f(mid) > f(mmid) 可推出 mmid < mid,与已知矛盾,故假设不成立。

所以,此时可以将 R = mmid 来缩小范围。

2、当 f(mid) < f(mmid) 的时候,我们可以断定 mid 一定在白点的左边。

反证法:假设 mid 在白点的右边,则 mmid 也一定在白点的右边,又由 f(mid) < f(mmid) 可推出 mid > mmid,与已知矛盾,故假设不成立。

同理,此时可以将 L = mid 来缩小范围。

 

凸函数最值:

double three_divi(double l,double r)
{
    double mid,mmid;
    while(r-l>=eps)
    {
        mid = (l+r)/2;
        mmid = (mid+r)/2;
        if(cal(mid)>cal(mmid))   //比较函数值
            r = mmid;
        else
            l = mid;
    }
    return cal(l) > cal(r) ? l : r;
}

凹函数最值:

double three_divi(double l,double r)
{
    double mid,mmid;
    while(r-l>=eps)
    {
        mid = (l+r)/2;
        mmid = (mid+r)/2;
        if(cal(mid)<cal(mmid))  //大于改成小于
            r = mmid;
        else
            l = mid;
    }
    return cal(l) > cal(r) ? l : r;
}

链接:https://www.nowcoder.com/acm/contest/200/E
来源:牛客网

不难推出公式:(据说根据扔东西常识这是凸函数)

AC代码:

#include<iostream>
#include<cstdio>
#include<cmath>
#define pi acos(-1.0)
#define g 9.80665
using namespace std;
const double eps = 1e-8;
double h,v;
inline double cal(double x)
{
    return v*v*sin(2*x)/(2*g)+v*cos(x)*sqrt(v*v*sin(x)*sin(x)+2*g*h)/g;
}
double three_divi(double l,double r)
{
    double mid,mmid;
    while(r-l>=eps)
    {
        mid = (l+r)/2;
        mmid = (mid+r)/2;
        if(cal(mid)>cal(mmid))
            r = mmid;
        else
            l = mid;
    }
    return cal(l) > cal(r) ? l : r;
}
int main()
{
    int t;
    cin>>t;
    while(t--)
    {
        cin>>h>>v;
        double x = three_divi(0.0,pi/2.0); //角度取值0~pi/2
        printf("%.5f\n",cal(x));
    }
    return 0;
}

 

  • 3
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
粒子群算法(Particle Swarm Optimization,简称PSO)是一种基于群体智能的优化算法,用于求解最优化问题。它通过模拟鸟群或鱼群等群体的行为来搜索最优解。 对于求解一元函数最值问题,可以使用PSO算法进行优化。下面是使用PSO算法求解一元函数最值的一般步骤: 1. 定义适应度函数:将待求解的一元函数作为适应度函数,即将该函数的取值作为PSO算法中的适应度值。 2. 初始化粒子群:初始化若干个粒子,每个粒子表示一组解,即函数的输入值。每个粒子有一个位置和速度,初始位置可以随机生成。 3. 更新粒子位置和速度:根据粒子当前位置和速度,更新粒子的下一个位置和速度。位置的更新受到个体经验和群体经验的影响,速度的更新受到自身速度和群体最优解的影响。 4. 更新个体最优解和群体最优解:根据每个粒子的适应度值,更新每个粒子的个体最优解。同时,根据所有粒子的适应度值,更新群体最优解。 5. 判断停止条件:判断是否满足停止条件,例如达到最大迭代次数或适应度值满足要求。 6. 返回最优解:返回群体中适应度值最好的粒子对应的解作为问题的最优解。 需要注意的是,PSO算法的性能与参数的设定有关,例如粒子数目、惯性权重、学习因子等。调整这些参数可能会对结果产生影响,需要根据具体问题进行调优。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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