Summer day 12

本文解析了UVA竞赛中的三道题目,包括网络流最大流问题、双向队列模拟问题及带权并查集问题。提供了详细的代码实现及解题思路。

昨天的训练题。
A。有关网络流的最大流问题,并不懂。

UVA 753 A Plug for UNIX

这里写图片描述

#include<cstdio>
#include<cstring>
#include<cstdlib>
#include<iostream>
using namespace std;
typedef char str[31];
const int N=105;
const int MAX=2147483647;
int T,tot,n,m,q,i,j,l,r,u,v,ans,sum,head[N<<3],Next[N*N],go[N*N],cost[N*N],down[N*N],b[N*N],d[N<<3];
str s1,s2,s[N<<3];
inline int S(int a,int b) { return (a<b)?a:b; }
inline void Add(int u,int v,int t)
{   Next[++l]=head[u],head[u]=l,go[l]=v,cost[l]=t,down[l]=l+1;
    Next[++l]=head[v],head[v]=l,go[l]=u,cost[l]=0,down[l]=l-1;
}
inline int Find(str A)
{   if (r==0) { strcpy(s[r=1],A); return r; }
    for (int i=1;i<=r;i++)
        if (strcmp(s[i],A)==0) return i;
    strcpy(s[++r],A);
    return r;
}
inline bool bfs()
{   int l,r,j; b[l=r=1]=0; memset(d,-1,sizeof(d)); d[0]=0;
    while (l<=r)
    {   for (j=head[b[l]];j;j=Next[j])
            if ((cost[j])&&(d[go[j]]==-1)) d[go[j]]=d[b[l]]+1,b[++r]=go[j]; l++;
        } if (d[800]>0) return true; return false;
}
inline int dinic(int st,int tk)
{   if (st==800) return tk; int wc=tk,j,kcm; 
    for (j=head[st];j&&tk;j=Next[j])
     if ((d[go[j]]>d[st])&&(cost[j]))
     {  kcm=dinic(go[j],S(tk,cost[j]));
        cost[j]-=kcm; cost[down[j]]+=kcm; tk-=kcm;
        }
    return wc-tk;
}
int main()
{   freopen("A.in","r",stdin);
    freopen("A.out","w",stdout);
    for (scanf("%d",&T),tot=1;tot<=T;tot++)
    {   memset(head,0,sizeof(head));
        if (tot>1) printf("\n");
        scanf("%d",&n),l=ans=r=0;
        for (i=1;i<=n;i++) 
        {   scanf("%s",s1);
            u=Find(s1);
            Add(u,800,1);
            }
        scanf("%d",&m);
        for (i=1;i<=m;i++)
        {   scanf("%s%s",s1,s2);
            u=Find(s1),v=Find(s2);
            Add(u,v,1),Add(0,u,1);
            }
        scanf("%d",&q);
        for (i=1;i<=q;i++) 
        {   scanf("%s%s",s1,s2);
            u=Find(s1),v=Find(s2);
            Add(u,v,MAX);
            }
        while (bfs()) while (sum=dinic(0,MAX)) ans+=sum; 
        printf("%d\n",m-ans);
        }
    return 0;
}

C, 双向队列模拟。同看不懂。

UVA 732 Cat

给定source及target字符串
Source、target长度一样
两个操作
从source首位置开始,字符可以在栈sc中进行入栈,入栈后source中此字符串被去掉,为了方便深搜,用deque(dc)来保存source。记操作为i。
从sc出栈到新字符串stem,如果可以组成target,则为可行解,输出对栈。记操作为o。
注意事项
可以从sample观察到,要从source获得target,第一个对栈操作必为I(因此由i进入dfs),最后一个对栈操作必为I(因此由i操作后中寻找可行解)。
为了按字典序输出,因此按字典序搜索。

HDU 3047 Zjnu Stadium

题意:有一个体育馆,座位呈环状,每一列有300个座位,按逆时钟方向编号为1~300,假设行数无穷大。
某一天,有N个人来到这个体育馆看一场赛事,主办方提出了M个要求,要求的格式是“A B X”,表示的是,假设A坐在编号为i的列,则B必须坐在编号为(i+x)的列上。
这些要求里有一些是错误的,只有和前面的要求产生冲突时才算错误,其它都是正确的。程序要输出错误的要求个数。

分析:带权并查集
对于并查集中的每一棵数, 树根的距离为0,然后以树根作为参照,每个结点的权值代表与树根的距离。
合并A,B时,假设A,B属于不同的树,那么就要合并这两棵树, 把A树合并到B树上,这时要给A树的跟结点root_a赋值,关键是给root_a附上一个什么值。 由于A点和B点的权值rank[A]和rank[B]都是相对跟结点的距离,所以分析A,B之间的相对距离,可以得到rank[root_a] = rank[A]+x-rank[B]。 注意到这时,对于原来的A的树,只跟新了root_a跟结点的权值, 那么其它结点的更新在查找的那一步里面实行了。
这里写图片描述
这里写图片描述

# 题目重述 在边长为160公里的正方形空域(顶点为$(0,0)$、$(160,0)$、$(160,160)$、$(0,160)$)中,现有5架飞机正在飞行,另有一架新飞机从$(0,0)$以方向角$52^\circ$进入。所有飞机速度均为800 km/h。 要求: 1. 任意两架飞机之间的最小距离必须大于8 km; 2. 每架飞机的方向角调整幅度不超过$30^\circ$; 3. 新进入飞机在边界与区域内飞机距离大于60 km(已满足); 4. 最多考虑6架飞机; 5. 不考虑飞机离开区域后的情况; 6. 输出调整后的方向角,误差不超过$0.01^\circ$,且总调整量尽可能小。 请建立数学模型并使用群智能优化算法求解。 --- # 详解 本问题是一个典型的**动态避障约束优化问题**,目标是最小化方向角调整总量,在满足飞行安全的前提下实现无碰撞航路规划。 ## 1. 数学建模 ### (1)变量定义 设第$i$架飞机的调整量为$\Delta\theta_i$,则其实际飞行方向为: $$ \theta_i' = \theta_i + \Delta\theta_i, \quad \text{其中 } |\Delta\theta_i| \leq 30^\circ $$ ### (2)位置函数(间$t$小后) $$ x_i(t) = x_i + 800t \cdot \cos(\theta_i'\cdot\pi/180) $$ $$ y_i(t) = y_i + 800t \cdot \sin(\theta_i'\cdot\pi/180) $$ ### (3)两机间距 对任意$i < j$,有: $$ d_{ij}(t) = \sqrt{(x_i(t)-x_j(t))^2 + (y_i(t)-y_j(t))^2} $$ 我们需保证在预测间段内(如$[0, T]$,取$T=1$小),所有$d_{ij}(t) > 8$ ### (4)目标函数 最小化总调整量(使用绝对值之和): $$ \min \sum_{i=1}^{6} |\Delta\theta_i| $$ ### (5)约束条件 - $|\Delta\theta_i| \leq 30^\circ$ - $\forall i<j, \forall t \in [0,1],\ d_{ij}(t) > 8$ - 初始刻新飞机与其他飞机距离 $>60$ km(原始数据满足) 由于连续间难以遍历,采用**离散化采样**:将$[0,1]$分为60个点(每分钟一次) --- ## 2. 解法选择:粒子群优化算法(PSO) PSO适合解决此类高维、非线性、带约束的优化问题。每个粒子表示一组方向角调整方案。 --- # 代码实现(Python + NumPy + Matplotlib 可视化) ```python import numpy as np import matplotlib.pyplot as plt from matplotlib.patches import Circle # ================= 参数设置 ================= N_PARTICLES = 50 # 粒子数量 MAX_ITER = 200 # 最大迭代次数 DIM = 6 # 维度:6架飞机的角度调整 V_MIN, V_MAX = -5, 5 # 粒子速度范围 UB = 30 # 上界 LB = -30 # 下界 W = 0.7 # 惯性权重 C1 = 1.5 # 个体学习因子 C2 = 1.5 # 群体学习因子 T_STEPS = 60 # 间步数(模拟未来1小,每分钟一步) PENALTY = 1e5 # 约束违反惩罚项 # 初始数据 [x, y, theta_deg] planes = np.array([ [150, 40, 243], [85, 85, 236], [150, 155, 220.5], [145, 50, 159], [130, 150, 230], [0, 0, 52] # 新进入飞机 ]) speed = 800 # km/h def simulate_trajectory(delta_theta, t_hours): """ 计算所有飞机在t刻的位置 delta_theta: (6,) 调整量数组 t_hours: float 或 array of floats 返回: (6, 2) 位置矩阵 """ theta_prime = np.radians(planes[:, 2] + delta_theta) cos_t = np.cos(theta_prime) sin_t = np.sin(theta_prime) x = planes[:, 0][:, None] + speed * t_hours * cos_t[:, None] y = planes[:, 1][:, None] + speed * t_hours * sin_t[:, None] return np.stack((x, y), axis=-1) def fitness(individual): """ 适应度函数 individual: (6,) 当前调整量 返回: scalar fitness value (越小越好) """ # 检查是否超出调整限制 if np.any(individual < LB) or np.any(individual > UB): return np.inf # 间序列: 0 到 1 小,共 T_STEPS 步 t_vec = np.linspace(0, 1, T_STEPS) # 获取所有刻所有飞机的位置 traj = simulate_trajectory(individual, t_vec) # shape: (6, T_STEPS, 2) min_dist = np.inf for i in range(6): for j in range(i+1, 6): dist = np.sqrt(np.sum((traj[i] - traj[j])**2, axis=1)) # 各间点距离 min_dist = min(min_dist, np.min(dist)) # 目标:最小化调整量;约束:最小距离 > 8 obj = np.sum(np.abs(individual)) if min_dist <= 8: penalty = PENALTY * (8 - min_dist)**2 else: penalty = 0 return obj + penalty # ================= PSO 主循环 ================= # 初始化粒子群 np.random.seed(42) X = np.random.uniform(LB, UB, (N_PARTICLES, DIM)) # 位置 V = np.random.uniform(V_MIN, V_MAX, (N_PARTICLES, DIM)) # 速度 pbest_pos = X.copy() pbest_fit = np.array([fitness(X[i]) for i in range(N_PARTICLES)]) gbest_idx = np.argmin(pbest_fit) gbest_pos = pbest_pos[gbest_idx].copy() gbest_fit = pbest_fit[gbest_idx] # 迭代优化 for iter in range(MAX_ITER): for i in range(N_PARTICLES): # 更新速度 r1, r2 = np.random.rand(DIM), np.random.rand(DIM) V[i] = W*V[i] + C1*r1*(pbest_pos[i] - X[i]) + C2*r2*(gbest_pos - X[i]) V[i] = np.clip(V[i], V_MIN, V_MAX) # 更新位置 X[i] += V[i] X[i] = np.clip(X[i], LB, UB) # 更新个体最优 fit = fitness(X[i]) if fit < pbest_fit[i]: pbest_pos[i] = X[i].copy() pbest_fit[i] = fit # 更新全局最优 if fit < gbest_fit: gbest_pos = X[i].copy() gbest_fit = fit if iter % 50 == 0: print(f"Iter {iter}, Best Fitness: {gbest_fit:.4f}") # 输出最终结果 final_adjustment = np.round(gbest_pos, 2) final_angles = planes[:, 2] + final_adjustment print("\n=== 最终调整方案 ===") print("编号\t原方向角\t调整量\t\t新方向角") for idx in range(6): print(f"{idx+1}\t{planes[idx,2]:.1f}\t\t{final_adjustment[idx]:+.2f}\t\t{final_angles[idx]:.2f}") # 验证最小距离 def check_min_distance(delta_theta): t_vec = np.linspace(0, 1, T_STEPS) traj = simulate_trajectory(delta_theta, t_vec) min_d = np.inf for i in range(6): for j in range(i+1, 6): d = np.sqrt(np.sum((traj[i] - traj[j])**2, axis=1)) min_d = min(min_d, np.min(d)) return min_d min_separation = check_min_distance(final_adjustment) print(f"\n所有飞机间的最小距离: {min_separation:.2f} km (>8 km 才安全)") assert min_separation > 8, "❌ 存在碰撞风险!" print("✅ 安全飞行方案已找到") # ================= 可视化轨迹 ================= def plot_trajectories(delta_theta): plt.figure(figsize=(10, 10)) t_vec = np.linspace(0, 1, 60) traj = simulate_trajectory(delta_theta, t_vec) colors = ['r', 'g', 'b', 'c', 'm', 'orange'] labels = [f'Plane {i+1}' for i in range(6)] for i in range(6): x_traj = traj[i, :, 0] y_traj = traj[i, :, 1] plt.plot(x_traj, y_traj, c=colors[i], label=labels[i], linewidth=2) plt.scatter(x_traj[0], y_traj[0], c=colors[i], s=50, zorder=5) # 添加方向箭头 dx = x_traj[5] - x_traj[0] dy = y_traj[5] - y_traj[0] plt.arrow(x_traj[0], y_traj[0], dx*2, dy*2, head_width=3, fc=colors[i], ec=colors[i]) # 绘制安全圆(可选) for i in range(6): circle = Circle((traj[i, 0, 0], traj[i, 0, 1]), radius=4, color=colors[i], alpha=0.2) plt.gca().add_patch(circle) plt.xlim(0, 160) plt.ylim(0, 160) plt.xlabel('X (km)') plt.ylabel('Y (km)') plt.title('Flight Paths After Adjustment\n(Arrows show initial direction)') plt.legend() plt.grid(True, linestyle='--', alpha=0.5) plt.axis('equal') plt.tight_layout() plt.show() # 是否显示可视化? # plot_trajectories(final_adjustment) ``` --- # 知识点 - **粒子群优化算法(PSO)**:一种基于群体寻优的启发式算法,通过跟踪个体与全局最优更新粒子状态。 - **运动学建模**:利用三角函数构建匀速直线运动轨迹,实现飞机位置随间演化。 - **约束处理与罚函数法**:将硬约束转化为目标函数中的惩罚项,便于智能算法求解。
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