POJ 1088.滑雪

本文探讨了一个滑雪问题的求解方法,通过深度优先搜索(DFS)与动态规划(DP)相结合的方式,有效地解决了寻找最长单调递减路径的问题。文章详细介绍了如何利用记忆化遍历来优化递归过程,避免重复计算,并通过实例代码展示了具体实现。

这个题本来是DP的,但是自己不太会,根据网上的代码学习以后发现dfs的方式自己更好理解,主要在于dfs函数的代码

find(x,y)的返回值代表这个位置的已知最大连续值,这样在递归时直接就可以理解成那个位置的最大连续值,从而直接使用

题目链接

/*
	滑雪 百练POJ1088 要求不断的单调递减  通过这个题发现很多DP问题都在于记忆化遍历
	 一定要记住一个东西 且记住的东西一般等于max(a,b) 
	输出最长区域的长度
	
	并且能找到一个边界问题 即所有点里最低的点是边界已知的l值是1 
	这个题值得训练 
*/
#include <iostream>
#include <algorithm> 
using namespace std;
int a[105][105];//输入存储 
int l[105][105] = {0};//记忆 表示从点i  j 出发的最长滑行长度 
int r,c;//依次是行数 列数run a,run b)

int dx[4] = {1,0,-1,0};
int dy[4] = {0,1,0,-1};
int find(int x,int y)
{
	if(l[x][y]!=0) //记忆化剪枝 如果这个位置已经有值了 
	{
		return l[x][y];
	}
	l[x][y] = 1; 
	for(int i=0;i<4;i++)//四个方向遍历dfs 
	{
		int tx = x + dx[i];
		int ty = y + dy[i]; 
		if(tx>=0&&tx<r&&ty>=0&&ty<c&&a[x][y]>a[tx][ty])
		{
			l[x][y] = max(l[x][y],find(tx,ty)+1);//这里在不断改变着lxy的值 
			//这个位置的最大值 等于当前的值和 周围四个值+1比较 周围的find 只有比当前大才继续find 
		}
	}
	return l[x][y]; 
}
int main(void)
{
	int count = 0;
	scanf("%d%d",&r,&c); 
	for(int i=0;i<r;i++)
	{
		for(int j=0;j<c;j++)
		{
			scanf("%d",&a[i][j]);
		}	
	}
	int m = 1;
	for(int i=0;i<r;i++)
	{
		for(int j=0;j<c;j++)
		{
			m = max(m,find(i,j));	
		}	
	}	
	printf("%d\n",m);
}
//DP &DFS

 

【顶级EI完整复现】【DRCC】考虑N-1准则的分布鲁棒机会约束低碳经济调度(Matlab代码实现)内容概要:本文介绍了名为《【顶级EI完整复现】【DRCC】考虑N-1准则的分布鲁棒机会约束低碳经济调度(Matlab代码实现)》的技术资源,聚焦于电力系统中低碳经济调度问题,结合N-1安全准则与分布鲁棒机会约束(DRCC)方法,提升调度模型在不确定性环境下的鲁棒性和可行性。该资源提供了完整的Matlab代码实现,涵盖建模、优化求解及仿真分析全过程,适用于复杂电力系统调度场景的科研复现与算法验证。文中还列举了大量相关领域的研究主题与代码资源,涉及智能优化算法、机器学习、电力系统管理、路径规划等多个方向,展示了广泛的科研应用支持能力。; 适合人群:具备一定电力系统、优化理论和Matlab编程基础的研究生、科研人员及从事能源调度、智能电网相关工作的工程师。; 使用场景及目标:①复现高水平期刊(如EI/SCI)关于低碳经济调度的研究成果;②深入理解N-1安全约束与分布鲁棒优化在电力调度中的建模方法;③开展含新能源接入的电力系统不确定性优化研究;④为科研项目、论文撰写或工程应用提供可运行的算法原型和技术支撑。; 阅读建议:建议读者结合文档提供的网盘资源,下载完整代码与案例数据,按照目录顺序逐步学习,并重点理解DRCC建模思想与Matlab/YALMIP/CPLEX等工具的集成使用方式,同时可参考文中列出的同类研究方向拓展研究思路。
内容概要:本文详细介绍了一个基于MATLAB实现的电力负荷预测项目,采用K近邻回归(KNN)算法进行建模。项目从背景意义出发,阐述了电力负荷预测在提升系统效率、优化能源配置、支撑智能电网和智慧城市建设等方面的重要作用。针对负荷预测中影响因素多样、时序性强、数据质量差等挑战,提出了包括特征工程、滑动窗口构造、数据清洗与标准化、K值与距离度量优化在内的系统性解决方案。模型架构涵盖数据采集、预处理、KNN回归原理、参数调优、性能评估及工程部署全流程,并支持多算法集成与可视化反馈。文中还提供了MATLAB环境下完整的代码实现流程,包括数据加载、归一化、样本划分、K值选择、模型训练预测、误差分析与结果可视化等关键步骤,增强了模型的可解释性与实用性。; 适合人群:具备一定MATLAB编程基础和机器学习基础知识,从事电力系统分析、能源管理、智能电网或相关领域研究的研发人员、工程师及高校师生;适合工作1-3年希望提升实际项目开发能力的技术人员; 使用场景及目标:①应用于短期电力负荷预测,辅助电网调度与发电计划制定;②作为教学案例帮助理解KNN回归在实际工程中的应用;③为新能源接入、需求响应、智慧能源系统提供数据支持;④搭建可解释性强、易于部署的轻量级预测模型原型; 阅读建议:建议结合MATLAB代码实践操作,重点关注特征构造、参数调优与结果可视化部分,深入理解KNN在时序数据中的适应性改进方法,并可进一步拓展至集成学习或多模型融合方向进行研究与优化。
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