jzoj给水【并查集】【最小生成树】

>Description
  FJ决定给N(1<=N<=300)个草地给水,草地编号为1到N。他可以在该草地处建立一口井,也可以建立管道从别的草地引水进来,在第i块草地处挖一口井需要花费W_i(1<=W_i<=100,000),连接井i和井j的管道需要花费P_ij(1<=P_ij<=100,000,P_ij=P_ji;P_ii=0)。
计算最少需要花费多少才能保证每个草地都有水。


>Input
第一行,一个整数N
第2到N+1行,第i+1行输入W_i
第N+2到2N+1行,每行N个空格隔开的整数,表示P_ij

>Output
输出最少花费。


>Sample Input
4
5
4
4
3
0 2 2 2
2 0 3 3
2 3 0 4
2 3 4 0

>Sample Output
9


>解题思路
一开始做的时候想到了是最小生成树,但是本人水到爆炸,忘记最小生成树怎么写了。
↓ ↓ ↓ ↓ ↓ ↓ ↓ ↓ ↓ ↓
我写的最小生成树模板题

根据输入的矩阵构建成一个图。另外再加上一个点(我写的是0),把其他所有点都连向0节点,每条边的权值为每个点挖一口井需要花费的价值。然后在最小生成树即可(cyz大佬:你懂的)


>代码

#include<iostream>
#include<cstdio>
#include<cstring>
#include<algorithm>
using namespace std;
struct ooo
{
	int a,b,c;
}a[9000000];
int n,w[305],p[305][305],t,minn,sb,ans,c[305];
bool lhq[305];
bool lil(ooo aa,ooo bb){return aa.c<bb.c;}
int find(int s)
{
	if(c[s]==s) return s;
	return c[s]=find(c[s]);
}
int main()
{
//	freopen("water.in","r",stdin);
//	freopen("water.out","w",stdout);
	scanf("%d",&n);
	for(int i=1;i<=n;i++)
	{
		scanf("%d",&w[i]);
		a[++t].a=i,a[t].b=0,a[t].c=w[i]; //记录边:i连0
	}
	for(int i=1;i<=n;i++)
	 for(int j=1;j<=n;j++)
	 scanf("%d",&p[i][j]);
	for(int i=1;i<=n;i++)
	 for(int j=i+1;j<=n;j++)
	  a[++t].a=i,a[t].b=j,a[t].c=p[i][j]; //记录边:i连j
	for(int i=0;i<=n;i++)
	 c[i]=i;
	sort(a+1,a+1+t,lil); //排个序
	for(int i=1;i<=t;i++)
	{
		int li=find(a[i].a),sa=find(a[i].b);
		if(li!=sa)
		{
			ans+=a[i].c; //累加答案
			if(li<sa) c[sa]=li;
			else c[li]=sa;
		}
	}
	printf("%d",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