CCF-CSP认证 201909-2小明种苹果(续)

本文深入解析了CCF-CSP认证2019年9月的算法题“小明种苹果(续)”。通过使用C++代码实现,文章详细介绍了如何处理苹果树节点上的操作,包括更新节点值、标记传播以及统计特定条件下的苹果总数、变动次数和连续变动节点数。此题考察了数据结构和算法设计能力。

CCF-CSP认证 201909-2小明种苹果(续)

#include <bits/stdc++.h>
using namespace std;

int n, D, E;
bool flag[1005];
int a[1005];

int pre(int x){
    if (x == 0) return n - 1;
    else return x -1;
}
int succ(int x){
    if (x == n - 1) return 0;
    return x + 1;
}
int main() {
    ios::sync_with_stdio(false);
    cin.tie(NULL);
    cin >> n;
    for(int i = 0;i < n; i++){
        int m;
        cin >> m;
        cin >> a[i];
        for (int j = 1; j < m; j++){
            int x;
            cin >> x;
            if (x > 0) {
                if (a[i] != x){
                    a[i] = x;
                    flag[i] = 1;
                }
            }
            else a[i] += x;
        }
    }
    long long tot = 0;
    for (int i = 0; i < n; i++) tot += a[i];
    for (int i = 0; i < n; i++) D += flag[i];
    for (int i = 0; i < n; i++){
        if (flag[pre(i)] && flag[i] && flag[succ(i)]) E++;
    }
    cout << tot << " " << D << " " << E << "\n";
    return 0;
}

【无人机】基于改进粒子群算法的无人机路径规划研究[和遗传算法、粒子群算法进行比较](Matlab代码实现)内容概要:本文围绕基于改进粒子群算法的无人机路径规划展开研究,重点探讨了在复杂环境中利用改进粒子群算法(PSO)实现无人机三维路径规划的方法,并将其与遗传算法(GA)、标准粒子群算法等传统优化算法进行对比析。研究内容涵盖路径规划的多目标优化、避障策略、航路点约束以及算法收敛性和寻优能力的评估,所有实验均通过Matlab代码实现,提供了完整的仿真验证流程。文章还提到了多种智能优化算法在无人机路径规划中的应用比较,突出了改进PSO在收敛速度和全局寻优方面的优势。; 适合人群:具备一定Matlab编程基础和优化算法知识的研究生、科研人员及从事无人机路径规划、智能优化算法研究的相关技术人员。; 使用场景及目标:①用于无人机在复杂地形或动态环境下的三维路径规划仿真研究;②比较不同智能优化算法(如PSO、GA、蚁群算法、RRT等)在路径规划中的性能差异;③为多目标优化问题提供算法选型和改进思路。; 阅读建议:建议读者结合文中提供的Matlab代码进行实践操作,重点关注算法的参数设置、适应度函数设计及路径约束处理方式,同时可参考文中提到的多种算法对比思路,拓展到其他智能优化算法的研究与改进中。
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