POJ 1465 Multiple

题意:给一个数n,和m个0~9的数字,问n或者n的倍数能不能只由这m个数字组成,能的话输出最小的那个,不能输出0.


解法:BFS搜之。但是单纯的暴力肯定不行,因为你不能判断不能组成的情况。
由 (a*x+b)%n == ((a%n)*x+b)%n 可知,当两个数对n取模的值相同时,对较大的那个数的搜索必然是重复的,可以跳过。
然后就是题目的另外一个坑,题目给的m个数必然是在0~9之间,但是m可能远大于10..直接存数组里的结果不是超时就是RE,所以这里需要判重。

RE一地MLE一地,活生生的血与泪啊

#include <stdio.h>
#include <string.h>
#include <algorithm>
using namespace std;
#define clr(a,b) memset((a),(b),sizeof(a))

const int INF = ~0u>>1;
int c[15];
int n,m;
int hash[5010];
struct Q{
	int	ep,mod,num;
}q[2000000],f,e;

int ans[2000000];

void Print(int pos)
{
	int p = 0;
	while(pos > 0)
	{
		ans[p++] = q[pos].num;
		pos = q[pos].ep;
	}
	
	for(int i=p-1; i>=0; i--) printf("%d", ans[i]);
	printf("\n");
}

int bfs()
{
	int head, tail, i;
	head = tail = 0;
	q[0].mod = 0;
	while(head <= tail)
	{
		f = q[head ++];
		for(i=0; i<m; i++)
		{
			e.mod = (f.mod*10+c[i])%n;
			e.ep = head - 1;
			e.num = c[i];
			if(f.mod == 0 && c[i] == 0) continue;
			if(hash[e.mod]) continue;
			q[++tail] = e;
			if(e.mod == 0) { Print(tail); return 1; }
			hash[e.mod] = 1;
		}
	}
	return 0;
}

int main()
{
	int i;
	int d;
	while(~scanf("%d%d", &n, &m))
	{
		clr(hash,0);
		for(i=0; i<15; i++) c[i] = INF;
		for(i=0; i<m; i++)
		{
			scanf("%d", &d);
			c[d] = d;
		}
		sort(c,c+15);

		if(n == 0)
		{
			printf("0\n");
		}
		else
		{
			if(bfs() == 0) printf("0\n");
		}
	}
	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