usaco计算几何入门

 3.4忽现恶心的计算几何一道......各种莫名其妙的公式同时出没,艰难地解决后胡乱写个总结。

 

 3.4.1 closed fence

 给出 fence数量和各个fence的坐标,给出观察者坐标,完成2个任务:

 1. 这组数据是否合法(合法的定义:连接相邻的2个fence得到一条边,若任意2条边不交叉,该组数据视为合法)

 2. 观察者共能看见多少条边。

 

 首先判定2边是否交叉,用叉积判断,要注意必须判断L1两端点是否在L2同侧,和,L2两端点是否在L1同侧(刚开始稀里糊涂只判断了一次)。

 计算可见边要麻烦些,设观察点为O,向angle角度引射线OA,会与某边相交于B,OB最小的边可见。

 这里要解决:A向何处引,如何计算OB,如何保证正确性。

 最好地办法是把OA引向某端点,再偏转一小角度。具体解法在这里

 

 下面着重熟悉计算几何中莫名其妙的公式和他们的来历。

 1.叉积 C

 向量Va,Vb

 C=Va X Vb = |Va|.|Vb|.sin<Va,Vb> (1)

 性质1: Va X Vb = - Vb X Va(就是利用这个性质判断了2点是否在某边的同一侧)                

 用坐标表示的话 C=ax * by - bx * ay(2维情况)

             |ax ay|

正好为行列式 |bx by|(2) 

 叉积又叫外积(相对内积来说,内积的意义很明显,向量a在b方向上的投影),因为它产生了一个垂直于原来平面的新的维度。它的几何意义来自(1)的定义,为垂直于a,b展开平面的向量,其算术值为a,b确定的平行四边形面积,又或者说它可以表达一个有向面积,用右手螺旋规则来确定方向(这是定义的么?)

 为神马可以写成行列式呢?

 行列式A是一种计算规则,代表一个值,而不同于矩阵A仅代表A元素的排列。A可以分解为 I*A ,I单位矩阵I的行列式。其意义就明显了,A表示一个伸缩因子,将I表达的正方形,伸缩变换为一个平行四边形。

 所以到这里就发现,叉积和行列式原来是有奸情的usaco计算几何入门

 补充:

 当a,b的z方向分量不为0时,会发现C的各个方向分量都是一个2维行列式,也就是说3维行列式可以展开成2维行列式,这个可以用物理意义来解释,C为力矩,a,b为产生力矩的F,F可以分解,每个分量产生一个2维行列式。(大概就这样吧,虽然很不严谨)

 

 2.求2直线AB,CD交点。

Ax+i(Bx-Ax) =Cx+j(Dx-Cx)

Ay+i(By-Ay) =Cy+j(Dy-Cy)

初见这公式云里雾里,不明白i,j是神马意义。

其实就是相似比!

usaco计算几何入门

 

好吧,其实这些公式,上学时问过老师,都以不考为由拒绝解答......估计他们也不知道这些公式背后的意义。

 在此鄙视从初中到高中教过我的老师,装逼辛苦了usaco计算几何入门

                                               关于行列式的资料来自《图解线性代数》(任广千胡翠芳编著)
 

本文使用Blog_Backup未注册版本导出,请到soft.pt42.com注册。

转载于:https://www.cnblogs.com/eggeek/archive/2011/10/19/2281168.html

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