leetcode-动态规划-打家劫舍问题

16 篇文章 0 订阅

198. 打家劫舍

class Solution {
public:
    int rob(vector<int>& nums) {
        int size = nums.size();
        if(size == 0){
            return 0;
        }
        int dp[size+2];
        memset(dp, 0 ,sizeof(dp));
        // base case: dp[n] = 0
        // dp数组:dp[i] 表示从第i间房子开始抢劫
        for(int i = size - 1; i >= 0;i--){
            dp[i] = max(dp[i+1], dp[i+2]+nums[i]);
        }
        return dp[0];
    }
};

213. 打家劫舍 II

环形

class Solution {
public:
    int rob(vector<int>& nums) {
        // 头尾只会被抢一所
        int size = nums.size();
        if(size == 0){
            return 0;
        }
        if(size == 1){
            return nums[size-1];
        }
        return max(robRange(nums, 0, size-2), robRange(nums, 1, size-1)); // 可以抢这些下标范围的房子
    }

    int robRange(vector<int>& nums, int begin, int end){
        int size = nums.size();
        int dp[size+2];
        memset(dp, 0, sizeof(dp));

        for(int i = end; i >= begin; i--){
            dp[i] = max(dp[i+1], dp[i+2]+nums[i]);
        }
        return dp[begin];
    }
};

337. 打家劫舍 III

树形的动态规划

/**
 * Definition for a binary tree node.
 * struct TreeNode {
 *     int val;
 *     TreeNode *left;
 *     TreeNode *right;
 *     TreeNode(int x) : val(x), left(NULL), right(NULL) {}
 * };
 */
class Solution {
public:
    unordered_map<TreeNode*,int> memo;
    int rob(TreeNode* root) {
        if(root == NULL){
            return 0;
        }
        // 备忘录中找到了结果
        if(memo.find(root) != memo.end()){
            return memo[root];
        }
        // 备忘录中没有,要开始抢了
        // 抢这个节点,跳过相连的,去抢其他的
        int doIt = root->val + (root->left == NULL ? 0 : rob(root->left->left) + rob(root->left->right)) + (root->right == NULL ? 0 : rob(root->right->left) + rob(root->right->right));
        // 这个节点不抢,去抢其他的
        int notDo = rob(root->left)+ rob(root->right);
		// 两者取大的
        int res = max(doIt, notDo);
        // 备忘录记录
        memo[root] = res;
        return res;
    }
};
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