七夕祭:分治+贪心+排序+前缀和+中位数

这篇博客探讨了两种不同的纸牌分配问题,一是简化版的均分纸牌,通过计算平均值和逐层递推找到可行分配方案;二是七夕祭问题,涉及空间扭曲下的纸牌移动,通过中位数策略和仓库选址问题来最小化移动次数。文章深入分析了算法思想并提供了实现代码。

我们先来看一道简化版的

均分纸牌:

异曲同工之处,均分纸牌是一维的,并且空间是正常的。

首先判断可不可以均分纸牌,如果可以,为了使得第一堆纸牌可以均分,必须后面一堆纸牌拿牌层层递推。

#include <iostream>

using namespace std;
int n, sum, ans;
int a[110];
int main()
{
    cin >> n;
    for(int i = 1; i <= n; i++)
    {
        cin >> a[i];
        sum += a[i];
    }
    int avg = sum / n;
    for(int i = 1; i < n; i++)
    {
        if(a[i] != avg) a[i + 1] -= avg - a[i], ans++; 
    }
    //cout << avg << endl;
    cout << ans << endl;
    return 0;
}

七夕祭:

首先,横向或者竖向移动不会改变另一个方向的纸牌我们只需要单独考虑行和列
这个空间扭曲了,因此不是简单的移动了,需要选择中位数作为参考的标志点。
我们假设空间没有扭曲的情况下,答案应该是前缀和数组的前缀和。
通过扭曲空间,需要找一个中心的位置,使得移动的次数最少,变成了仓库选址问题

#include <iostream>
#include <cmath>
#include <algorithm>
using namespace std;
const int N = 1e5 + 5;
#define ll long long
ll n, m, ans;
ll t;
ll x[N], y[N], f[N];
ll int calc(ll int a[N],int k)
{
    ll avg = a[0] / k;
    ll res = 0;
    for(int i = 1; i <= k; i++)
    {
        a[i] -= avg;
        f[i] = f[i - 1] + a[i];
    }
    sort(f + 1, f + k + 1);
    for(int i = 1; i <= k; i++)
    {
        res += abs(f[i] - f[k + 1 >> 1]);
    }
    return res;
}
int main()
{
    cin >> n >> m >> t;
    for(int i = 1; i <= t; i++)
    {
        int a, b;
        cin >> a >> b;
        x[a]++;
        y[b]++;
        x[0]++;
        y[0]++;
    }
    if(x[0] % n == 0 && y[0] % m == 0) 
    {
        ans = calc(x, n) + calc(y, m);
        cout << "both " << ans << endl;
    }
    else if(x[0] % n == 0)
    {
        ans = calc(x, n);
        cout << "row " << ans << endl;
    }
    else if(y[0] % m == 0)
    {
        ans = calc(y, m);
        cout << "column " << ans << endl;
    }
    else cout << "impossible" << endl; 
    return 0;
}
基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究(Matlab代码实现)内容概要:本文围绕“基于数据驱动的Koopman算子的递归神经网络模型线性化”展开,旨在研究纳米定位系统的预测控制方法。通过结合数据驱动技术与Koopman算子理论,将非线性系统动态近似为高维线性系统,进而利用递归神经网络(RNN)建模并实现系统行为的精确预测。文中详细阐述了模型构建流程、线性化策略及在预测控制中的集成应用,并提供了完整的Matlab代码实现,便于科研人员复现实验、优化算法并拓展至其他精密控制系统。该方法有效提升了纳米级定位系统的控制精度与动态响应性能。; 适合人群:具备自动控制、机器学习或信号处理背景,熟悉Matlab编程,从事精密仪器控制、智能制造或先进控制算法研究的研究生、科研人员及工程技术人员。; 使用场景及目标:①实现非线性动态系统的数据驱动线性化建模;②提升纳米定位平台的轨迹跟踪与预测控制性能;③为高精度控制系统提供可复现的Koopman-RNN融合解决方案; 阅读建议:建议结合Matlab代码逐段理解算法实现细节,重点关注Koopman观测矩阵构造、RNN训练流程与模型预测控制器(MPC)的集成方式,鼓励在实际硬件平台上验证并调整参数以适应具体应用场景。
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

打赏作者

Shirandexiaowo

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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