Huffman树

本文介绍Huffman树的概念及应用,通过实例讲解如何利用贪心算法构造Huffman树来实现最优编码,减少数据存储空间。以1090合并果子题目为例,展示如何用优先队列实现算法。

Huaffman树

Huffman树这个我们见过,不难理解,其实就是运用了贪心算法,有一点像大根堆
这个知识点的例题其实我们早就见过,就是让你构造一颗二叉树(或者是k叉树),使的权值乘以距离最小
点到根节点的长度叫做距离,权值使点自带的,这两者相乘一共要最小
这肯定就是贪心
那么我们如何构造?
让权重小的尽量远离,让权重大的尽量靠近,这样就满足了
其实就是使用一个队列,每次都升序排序,然后每次取最小的两个值求和放入队列中,直至队列为空
为了方便理解,我把1090合并果子的题拿来进行理解

#include<bits/stdc++.h>
using namespace std;
int n,s=0,t,a,b;
priority_queue 
<int,vector<int>,greater<int> > q;//排序堆
int main()
{
	cin>>n;
	for(int i=0;i<n;i++)
	{
		cin>>t;
		q.push(t);//输入并且自动排序
	}
	while(1)
	{
		if(q.size()==1)//队列只剩下一个元素
			break;
		a=q.top();
		q.pop();
		b=q.top();
		q.pop();//取栈顶两个元素
		s=s+a+b;//求和进队
		q.push(a+b);
	}
	cout<<s<<endl;
	return 0;
}
基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究(Matlab代码实现)内容概要:本文围绕“基于数据驱动的Koopman算子的递归神经网络模型线性化”展开,旨在研究纳米定位系统的预测控制方法。通过结合数据驱动技术与Koopman算子理论,将非线性系统动态近似为高维线性系统,进而利用递归神经网络(RNN)建模并实现系统行为的精确预测。文中详细阐述了模型构建流程、线性化策略及在预测控制中的集成应用,并提供了完整的Matlab代码实现,便于科研人员复现实验、优化算法并拓展至其他精密控制系统。该方法有效提升了纳米级定位系统的控制精度与动态响应性能。; 适合人群:具备自动控制、机器学习或信号处理背景,熟悉Matlab编程,从事精密仪器控制、智能制造或先进控制算法研究的研究生、科研人员及工程技术人员。; 使用场景及目标:①实现非线性动态系统的数据驱动线性化建模;②提升纳米定位平台的轨迹跟踪与预测控制性能;③为高精度控制系统提供可复现的Koopman-RNN融合解决方案; 阅读建议:建议结合Matlab代码逐段理解算法实现细节,重点关注Koopman观测矩阵构造、RNN训练流程与模型预测控制器(MPC)的集成方式,鼓励在实际硬件平台上验证并调整参数以适应具体应用场景。
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