[SCOI2009]windy数,bzoj1026,十分简单的数位Dp

本文介绍了一种使用数位动态规划(DP)的方法来解决大数问题,特别是当题目涉及相邻数字间差值限制时。通过记录上一位数字、前导零状态和是否达到上限,优化递归过程并实现记忆化搜索,从而高效地计算出答案。

正题

      这题看到AB那么大,就知道是数位Dp了。

      从题意可知,相邻两位数的差不能小于2.

      那么我们记录的就很显然是上一位的数字。然而是否有前导零,是否达到上限也是要记录下来的。

      优化就是当没有前导零而且没有上限时,后面的答案是相同的,所以记忆化一下即可。

#include<cstdio>
#include<cstdlib>
#include<cstring>
#include<iostream>
using namespace std;
 
int a,b;
int w[11],tot;
int f[11][10];
 
int dfs(int x,bool all,bool tf,int last){
    if(x==0) return 1;
    if(!tf && !all && f[x][last]!=0) return f[x][last];
    int bound=(tf?w[x]:9);
    int ans=0;
    for(int i=0;i<=bound;i++) if(all || abs(i-last)>=2) ans+=dfs(x-1,all&(i==0),tf&(i==bound),i);
    if(!tf && !all) f[x][last]=ans;
    return ans;
}
 
int get_ans(int x){
    tot=0;
    while(x){
        w[++tot]=x%10;
        x/=10;
    }
    return dfs(tot,1,1,0);
}
 
int main(){
    scanf("%d %d",&a,&b);
    printf("%d\n",get_ans(b)-get_ans(a-1));
} 

 

【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)应用于据预测任务,并引入粒子群优化(PSO)算法对模型的关键参进行自动调优。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将原始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——正则化参C与核函γ的最优组合。 项目所提供的实现代码涵盖了从据加载、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(例如线性核、多项式核及径向基函核等)进行参寻优,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!
### 关于 SCOI2009 WINDY 的解法 #### 定义与问题描述 WINDY是指对于任意两个相邻位置上的字,它们之间的差至少为\(2\)。给定正整区间\([L, R]\),计算该范围内有多少个WINDY。 #### 动态规划方法解析 为了高效解决这个问题,可以采用动态规划的方法来处理。定义状态`dp[i][j]`表示长度为`i`且最高位是`j`的WINDY量[^3]。 - **初始化** 对于单个字的情况(即只有一位),显然每一位都可以单独构成一个合法的WINDY,因此有: ```cpp dp[1][d] = 1; // d ∈ {0, 1,...,9} ``` - **状态转移方程** 当考虑多位时,如果当前位选择了某个特定值,则下一位的选择会受到限制——它必须满足与前一位相差不小于2的要求。具体来说就是当上一高位为`pre`时,当前位置可选范围取决于`pre`的具体取值: - 如果`pre >= 2`, 则可以选择`{0... pre-2}` - 否则只能从剩余的有效集合中选取 这样就可以通过遍历所有可能的状态来进行状态间的转换并累加结果。 - **边界条件处理** 特殊情况下需要注意的是,在实际应用过程中还需要考虑到给出区间的上下限约束。可以通过逐位比较的方式判断是否越界,并据此调整有效状态空间大小。 ```cpp // 计算不超过num的最大windy量 int calc(int num){ int f[15], g[15]; memset(f, 0, sizeof(f)); string s = to_string(num); n = s.size(); for (char c : s) { a[++len] = c - '0'; } // 初始化f组 for (int i=0;i<=9;++i)f[1][i]=1; // DP过程省略... return sum; } long long solve(long long L,long long R){ return calc(R)-calc(L-1); } ``` 此代码片段展示了如何利用预处理好的`dp`表快速查询指定范围内的WINDY总量。其中`solve()`函用于返回闭区间\[L,R\]内符合条件的总;而辅助函`calc()`负责根据传入参构建相应的状态序列并最终得出答案。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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