hdu4003/蓝桥杯 金属采集

思路:

树形dp + 分组背包dp。

参考https://www.cnblogs.com/kuangbin/archive/2012/08/29/2661928.html

实现:

 1 #include <bits/stdc++.h>
 2 using namespace std;
 3 typedef pair<int, int> pii;
 4 
 5 const int MAXN = 100005;
 6 vector<pii> G[MAXN];
 7 int dp[MAXN][11], n, s, k;
 8 
 9 void dfs(int u, int f)
10 {
11     for (int i = 0; i < G[u].size(); i++)
12     {
13         int v = G[u][i].first, w = G[u][i].second;
14         if (v == f) continue;
15         dfs(v, u);
16         for (int j = k; j >= 0; j--)
17         {
18             dp[u][j] += dp[v][0] + 2 * w;
19             for (int l = 1; l <= j; l++)
20             {
21                 dp[u][j] = min(dp[u][j], dp[v][l] + l * w + dp[u][j - l]);
22             }
23         }
24     }
25 }
26 
27 int main()
28 {
29     while (scanf("%d %d %d", &n, &s, &k) != EOF)
30     {
31         memset(dp, 0, sizeof dp);
32         for (int i = 1; i <= n; i++) G[i].clear();
33         int a, b, w;
34         for (int i = 0; i < n - 1; i++)
35         {
36             scanf("%d %d %d", &a, &b, &w);
37             G[a].push_back(pii(b, w));
38             G[b].push_back(pii(a, w));
39         }
40         dfs(s, 0);
41         printf("%d\n", dp[s][k]);
42     }
43     return 0;
44 }

 

转载于:https://www.cnblogs.com/wangyiming/p/9207836.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