HDU 3001 Travelling

转载注明出处:http://blog.youkuaiyun.com/u013480600/article/details/19832395       感谢大佬

After coding so many days,Mr Acmer wants to have a good rest.So travelling is the best choice!He has decided to visit n cities(he insists on seeing all the cities!And he does not mind which city being his start station because superman can bring him to any city at first but only once.), and of course there are m roads here,following a fee as usual.But Mr Acmer gets bored so easily that he doesn't want to visit a city more than twice!And he is so mean that he wants to minimize the total fee!He is lazy you see.So he turns to you for help.
Input
There are several test cases,the first line is two intergers n(1<=n<=10) and m,which means he needs to visit n cities and there are m roads he can choose,then m lines follow,each line will include three intergers a,b and c(1<=a,b<=n),means there is a road between a and b and the cost is of course c.Input to the End Of File.
Output
Output the minimum fee that he should pay,or -1 if he can't find such a route.
Sample Input
2 1
1 2 100
3 2
1 2 40
2 3 50
3 3
1 2 3
1 3 4
2 3 10
Sample Output
100
90
7 

//经典好题:三进制旅行商问题
/*
现在有一个具有n个顶点和m条边的无向图(每条边都有一个距离权值),
小明可以从任意的顶点出发,他想走过所有的顶点而且要求走的总距
离最小,并且他要求过程中走过任何一个点的次数不超过2次。
输入:多组实例。每个实例第一行为n(1<=n<=10)和m,接下来m行对m条
边描述,每行包括a,b(1<=a,b<=n)和c表示节点a和b之间有一条长c的路。
输出:输出他需要走的最短距离,如果不存在这样的路,输出-1.


如果本题没有说任意一个点走过的次数不超过2这个条件,那么
本题可以用类似TSP问题的解法即可,即用d[i][S]=x,表示当前
人在i点,并且走过了集合S中的所有点,所行走的最小距离为x。
d[i][S]=min{ d[j][S-i]+min_dist[j][i] } j,i属于S。但是
现在要求点出现的次数<=2,所以要把点出现的次数也纳入到d
的第二维下标(即S)中去。 令d[i][S]=x,表示当前人在i点,
并且走过了集合S(用S的三进制表示点出现次数的集合)中的
所有点以及对应点出现的次数满足S集合时,所行走的最小距离为x。
状态转移方程是:d[i][S]=min{ d[j][S1]+dist[j][i] } ,S与S1
的关系是S的三进制形式除了一位减一之外(从2变1或从1变0)
其他所有位都与S1的三进制数对应位相同,j在S1集合中出现的
次数属于[1,2],i在S1集合中出现的次数属于[0,1],dist[i][j]
表示节点i与j之间的初始距离(不是最小距离,如果从i到j
没有边则不能执行该状态转移)。初值为:d[i][(3^i)]=0,
其他为-1.(本题顶点的标号,题目说是1到n,我们程序中用
0到n-1处理。最终我们所求为:max{ d[i][S] },0<=i<=n-1。
S的三进制形式中没有一个0(最多2次是通过状态转移方程来
限制住的)。
*/ 
#include <stdio.h>
#include <string.h>
#include <algorithm>
#define inf 0x3f3f3f3f
using namespace std;

int p[11];
int n, m, mn;
int dis[11][11];
int dp[11][59050];
int state[11][59050]; //表示状态S的第i位 
void init() { //初始化计算p[i] 为3的i次方, 
	p[0] = 1;
	for(int i = 1; i <= 10; i++) {
		p[i] = p[i-1]*3;
	}
	for(int i = 0; i <= p[10]; i++) {
		int t = i, k = 0;
		while(t) {
			state[k++][i] = t%3;
			t /= 3;
		}
	}
}
void init1() {
	for(int i = 0; i <= n; i++) {
		for(int j = 0; j <= n; j++) {
			if(i != j) dis[i][j] = inf;
			else dis[i][j] = 0;
		}
	}
}
int main() {
	init();
	int a, b, c;
	while(~scanf("%d%d",&n,&m)) {
		init1();
		mn = inf;
		for(int i = 0; i < m; i++) {
			scanf("%d%d%d",&a,&b,&c);
			a--;b--;
			if(dis[a][b] > c)
			dis[a][b] = dis[b][a] = c;
		}
		memset(dp, inf, sizeof(dp));
		for(int i = 0; i < n; i++)
		dp[i][p[i]] = 0;//初始化dp,只有i访问,费用为0 
		for(int S = 0; S < p[n]; S++) {
			int sum = 1;//遍历的点记录 
			for(int i = 0; i < n; i++) {
				if(state[i][S] == 0) sum = 0;
				if(dp[i][S] == inf) continue;
				for(int k = 0; k < n; k++) {//枚举下一个点 
					if(i == k) continue;
					//表示不存在边,或者这种状态已经被访问两次以上 
					if(dis[i][k] == inf || state[k][S] >= 2)
					continue;
					int ans = S + p[k]; //表示此时状态 
					dp[k][ans] = min(dp[k][ans], dp[i][S] + dis[i][k]);
				}
			}
			if(sum) {
				for(int i = 0; i < n; i++) {
					mn = min(mn , dp[i][S]);
				}
			}
		}
		if(mn == inf) mn = -1;
		printf("%d\n",mn);
	}
	return 0;
}



六、状压DP的优化技巧 6.1 预处理合法状态 很多问题中,大部分状态是不合法的,可以预先筛选: cpp vector valid_states; for (int state = 0; state < (1 << n); ++state) { if (check(state)) { // 检查state是否合法 valid_states.push_back(state); } } 6.2 滚动数组优化 当状态只依赖前一个阶段时,可以节省空间: cpp vector<vector> dp(2, vector(size)); // 只保留当前和上一个状态 int now = 0, prev = 1; for (int i = 1; i <= n; ++i) { swap(now, prev); for (auto& state : valid_states) { dp[now][state] = 0; // 清空当前状态 // 状态转移… } } 6.3 记忆化搜索实现 有时递归形式更直观: cpp int memo[1<<20][20]; // 记忆化数组 int dfs(int state, int u) { if (memo[state][u] != -1) return memo[state][u]; // 递归处理… return memo[state][u] = res; } 七、常见问题与调试技巧 7.1 常见错误 位运算优先级:总是加括号,如(state & (1 << i)) 数组越界:状态数是2ⁿ,不是n 初始状态设置错误:比如TSP中dp[1][0] = 0 边界条件处理不当:如全选状态是(1<<n)-1,不是1<<n 7.2 调试建议 打印中间状态:将二进制状态转换为可视化的形式 cpp void printState(int state, int n) { for (int i = n-1; i >= 0; --i) cout << ((state >> i) & 1); cout << endl; } 从小规模测试用例开始(如n=3,4) 使用assert检查关键假设 八、学习路线建议 初级阶段: 练习基本位操作 解决简单状压问题(如LeetCode 464、526题) 中级阶段: 掌握经典模型(TSP、棋盘覆盖) 学习优化技巧(预处理、滚动数组) 高级阶段: 处理高维状压(如需要同时压缩多个状态) 结合其他算法(如BFS、双指针) 九、实战练习题目推荐 入门题: LeetCode 78. Subsets(理解状态表示) LeetCode 464. Can I Win(简单状压DP) 中等题: LeetCode 526. Beautiful Arrangement LeetCode 691. Stickers to Spell Word 经典题: POJ 2411. Mondriaan’s Dream(棋盘覆盖) HDU 3001. Travelling(三进制状压) 挑战题: Codeforces 8C. Looking for Order Topcoder SRM 556 Div1 1000. LeftRightDigitsGame2 记住,掌握状压DP的关键在于: 彻底理解二进制状态表示 熟练运用位运算 通过大量练习培养直觉 希望这份超详细的教程能帮助你彻底掌握状压DP!如果还有任何不明白的地方,可以针对具体问题继续深入探讨。 请帮我转成markdown语法输出,谢谢
08-13
【电力系统】单机无穷大电力系统短路故障暂态稳定Simulink仿真(带说明文档)内容概要:本文档围绕“单机无穷大电力系统短路故障暂态稳定Simulink仿真”展开,提供了完整的仿真模型与说明文档,重点研究电力系统在发生短路故障后的暂态稳定性问题。通过Simulink搭建单机无穷大系统模型,模拟不同类型的短路故障(如三相短路),分析系统在故障期间及切除后的动态响应,包括发电机转子角度、转速、电压和功率等关键参数的变化,进而评估系统的暂态稳定能力。该仿真有助于理解电力系统稳定性机理,掌握暂态过程分析方法。; 适合人群:电气工程及相关专业的本科生、研究生,以及从事电力系统分析、运行与控制工作的科研人员和工程师。; 使用场景及目标:①学习电力系统暂态稳定的基本概念与分析方法;②掌握利用Simulink进行电力系统建模与仿真的技能;③研究短路故障对系统稳定性的影响及提高稳定性的措施(如故障清除时间优化);④辅助课程设计、毕业设计或科研项目中的系统仿真验证。; 阅读建议:建议结合电力系统稳定性理论知识进行学习,先理解仿真模型各模块的功能与参数设置,再运行仿真并仔细分析输出结果,尝试改变故障类型或系统参数以观察其对稳定性的影响,从而深化对暂态稳定问题的理解。
本研究聚焦于运用MATLAB平台,将支持向量机(SVM)应用于数据预测任务,并引入粒子群优化(PSO)算法对模型的关键参数进行自动调优。该研究属于机器学习领域的典型实践,其核心在于利用SVM构建分类模型,同时借助PSO的全局搜索能力,高效确定SVM的最优超参数配置,从而显著增强模型的整体预测效能。 支持向量机作为一种经典的监督学习方法,其基本原理是通过在高维特征空间中构造一个具有最大间隔的决策边界,以实现对样本数据的分类或回归分析。该算法擅长处理小规模样本集、非线性关系以及高维度特征识别问题,其有效性源于通过核函数将原始数据映射至更高维的空间,使得原本复杂的分类问题变得线性可分。 粒子群优化算法是一种模拟鸟群社会行为的群体智能优化技术。在该算法框架下,每个潜在解被视作一个“粒子”,粒子群在解空间中协同搜索,通过不断迭代更新自身速度与位置,并参考个体历史最优解和群体全局最优解的信息,逐步逼近问题的最优解。在本应用中,PSO被专门用于搜寻SVM中影响模型性能的两个关键参数——正则化参数C与核函数参数γ的最优组合。 项目所提供的实现代码涵盖了从数据加载、预处理(如标准化处理)、基础SVM模型构建到PSO优化流程的完整步骤。优化过程会针对不同的核函数(例如线性核、多项式核及径向基函数核等)进行参数寻优,并系统评估优化前后模型性能的差异。性能对比通常基于准确率、精确率、召回率及F1分数等多项分类指标展开,从而定量验证PSO算法在提升SVM模型分类能力方面的实际效果。 本研究通过一个具体的MATLAB实现案例,旨在演示如何将全局优化算法与机器学习模型相结合,以解决模型参数选择这一关键问题。通过此实践,研究者不仅能够深入理解SVM的工作原理,还能掌握利用智能优化技术提升模型泛化性能的有效方法,这对于机器学习在实际问题中的应用具有重要的参考价值。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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