hdu 1003

本文解析了一个经典的编程问题——最大子序列和问题,并提供了一段详细的C++代码实现。该问题要求找出一个数列中最大的子序列和及其在原序列中的位置。

题目:http://acm.hdu.edu.cn/showproblem.php?pid=1003

题目的大意就是求一个数列中最大的子序列的和,并记录子序列开始与结束的元素在原数列中的位置,最后一起输出

其实就是一个最大子序列问题

题目并不难,但是可以说是入门dp的开始。

下面附上代码:

#include <iostream>
#include <cstring>
using namespace std;
int arr[100005];
int main()
{
    int n,m,l;
    while(cin>>n)
    {
        m=n;
        l=1;
        while(n--)
        {
        int num;
        int temp1=1,temp2=1;//用于记录开始与结束的位置
        int i=0;
        memset(arr,0,sizeof(arr));
        cin>>num;
        int max=-99999,a=temp1;
        int sum=0;
        for(i=0;i<num;i++)
        {
            cin>>arr[i];
            if(sum<0)
            {
                a=i+1;
                sum=0;
            }
             sum+=arr[i];
             if(sum>max)
            {
                temp1=a;
                temp2=i+1;
                max=sum;
            }
        }
        if(l<m)
            cout<<"Case "<<l++<<":"<<endl<<max<<" "<<temp1<<" "<<temp2<<endl<<endl;
        else
            cout<<"Case "<<l++<<":"<<endl<<max<<" "<<temp1<<" "<<temp2<<endl;
        }
    }
    return 0;
}


提供了基于BP(Back Propagation)神经网络结合PID(比例-积分-微分)控制策略的Simulink仿真模型。该模型旨在实现对杨艺所著论文《基于S函数的BP神经网络PID控制器及Simulink仿真》中的理论进行实践验证。在Matlab 2016b环境下开发,经过测试,确保能够正常运行,适合学习和研究神经网络在控制系统中的应用。 特点 集成BP神经网络:模型中集成了BP神经网络用于提升PID控制器的性能,使之能更好地适应复杂控制环境。 PID控制优化:利用神经网络的自学习能力,对传统的PID控制算法进行了智能调整,提高控制精度和稳定性。 S函数应用:展示了如何在Simulink中通过S函数嵌入MATLAB代码,实现BP神经网络的定制化逻辑。 兼容性说明:虽然开发于Matlab 2016b,但理论上兼容后续版本,可能会需要调整少量配置以适配不同版本的Matlab。 使用指南 环境要求:确保你的电脑上安装有Matlab 2016b或更高版本。 模型加载: 下载本仓库到本地。 在Matlab中打开.slx文件。 运行仿真: 调整模型参数前,请先熟悉各模块功能和输入输出设置。 运行整个模型,观察控制效果。 参数调整: 用户可以自由调节神经网络的层数、节点数以及PID控制器的参数,探索不同的控制性能。 学习和修改: 通过阅读模型中的注释和查阅相关文献,加深对BP神经网络与PID控制结合的理解。 如需修改S函数内的MATLAB代码,建议有一定的MATLAB编程基础。
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