Uva 11090 Going in cycle 二分+最短路

该博客探讨了如何利用二分搜索与最短路径算法解决Uva 11090图论问题,寻找平均权重最小的回路。博主指出,此问题不同于求强连通分量,而采用二分答案并调整边权重,通过SPFA算法检查是否存在负环来判断答案有效性。

题意

给定一个n个点m条边的加权有向图,求平均权值最小的回路。
n <= 50

题解

有点像强连通分量,但是SCC只会求出最大的环。所以不能用。
这里二分答案,然后将所有边减去二分的答案,然后跑SPFA,如果有负环,说明答案有效。

代码

#include <bits/stdc++.h>
using namespace std;
const int maxn = 55;
typedef pair<int,double> pii;
#define to first
#define w second

vector<pii> G[maxn];
int n,m, cnt[maxn], inq[maxn];
double d[maxn];

void add(int u, int v,int w) {
	G[u].push_back(pii(v,w));
}

bool spfa() {
	queue<int> que;
	memset(cnt,0,sizeof cnt);
	memset(inq,0,sizeof inq);
	for(int i = 0; i < n; ++i) {
		d[i] = 0;
		inq[0] = true;
		que.push(i);
	}
	while(!que.empty()) {
		int u = que.front();
		que.pop();
		inq[u] = false;
		for(int i = 0; i < G[u].size(); ++i) {
			pii &e = G[u][i];
			// cout << e.w << endl;
			if(d[e.to] > d[u]+e.w) {
				d[e.to] = d[u]+e.w;
				if(!inq[e.to]) {
					que.push(e.to);
					inq[e.to] = true;
					if(++cnt[e.to] > n)
						return true;
				}
			}
		}
	}
	return false;
}
bool ok(double x) {
	for(int i = 0; i < n; ++i)
		for(int j = 0; j < G[i].size(); ++j) {
			G[i][j].second -= x;
		}
	bool flag = spfa();
	for(int i = 0; i < n; ++i)
		for(int j = 0; j < G[i].size(); ++j) {
			G[i][j].second += x;
			// cout << G[i][j].second << endl;
		}
	return flag;
}
int main() {
	int T;
	scanf("%d", &T);
	for(int kas = 1; kas <= T; ++kas) {
		scanf("%d%d", &n, &m);
		for(int i = 0; i < n; ++i)
			G[i].clear();
		int u,v,w;
		for(int i = 0; i < m; ++i)  {
			scanf("%d%d%d", &u, &v, &w);
			u--;v--;
			add(u,v,w);
		}
		double l = 0, r = 10000000;
		double ans = r+1;
		for(int i = 0; i < 1000; ++i) {
			double mid = (l+r)/2;
			if(ok(mid)) {
				// cout << mid << endl;
				ans = mid;
				r = mid;
			}else 
				l = mid;
		}
		printf("Case #%d: ", kas);
		if(ans == r+1)
			puts("No cycle found.");
		else 
			printf("%.2lf\n", ans);
	}
	return 0;
}
内容概要:本文围绕六自由度机械臂的人工神经网络(ANN)设计展开,重研究了正向与逆向运动学解、正向动力学控制以及基于拉格朗日-欧拉法推导逆向动力学方程,并通过Matlab代码实现相关算法。文章结合理论推导与仿真实践,利用人工神经网络对复杂的非线性关系进行建模与逼近,提升机械臂运动控制的精度与效率。同时涵盖了路径规划中的RRT算法与B样优化方法,形成从运动学到动力学再到轨迹优化的完整技术链。; 适合人群:具备一定机器人学、自动控制理论基础,熟悉Matlab编程,从事智能控制、机器人控制、运动学六自由度机械臂ANN人工神经网络设计:正向逆向运动学解、正向动力学控制、拉格朗日-欧拉法推导逆向动力学方程(Matlab代码实现)建模等相关方向的研究生、科研人员及工程技术人员。; 使用场景及目标:①掌握机械臂正/逆运动学的数学建模与ANN解方法;②理解拉格朗日-欧拉法在动力学建模中的应用;③实现基于神经网络的动力学补偿与高精度轨迹跟踪控制;④结合RRT与B样完成平滑路径规划与优化。; 阅读建议:建议读者结合Matlab代码动手实践,先从运动学建模入手,逐步深入动力学分析与神经网络训练,注重理论推导与仿真实验的结合,以充分理解机械臂控制系统的设计流程与优化策略。
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