UVA 12706 Zero-Knowledge Protocol 乱搞

本文介绍了一种高效的字符串匹配算法,用于解决给定串中查找特定排列组合的问题。通过使用map记录子串特征,避免了全排列的计算,显著提高了匹配效率。

题意: T组数据,每组数据给出n个数字形成s串,给出m个数字,对这m个数字全排列,每一种排列方式可形成p串.找到p串在s串中匹配的位置,取第一个数字在s中的下标,对所有的下标平方求和.
思路:给出m个数字的全排列是不可能枚举的,那么只要记录p串中不同数字,及其出现次数.(map可以做到).直接暴力是不可能的.
m1记录p串中数字的情况,m2记录p中没有,s中有的数字.

初始diff_m1=m1.size(),diff_m2=0;
先确定s串前m个,两种情况:
1.在p中出现过,那么从p对应的map(记作m1)里面减,若是m1[s[i]]==0.diff_m1- -;
2.未在p中出现过,那么在另外一个map(记作m2)里面加,该m2记录p中没有,当前长度为m的s子串中有的数字.
之后就是枚举 i 1->n-m+1,将前一个数字从m1中还原,也是两种情况:
1.在p中出现过,在m1里加.
2.未在p中出现,那么必定在m2里面已经记录,只要减去就好.
将新加进来的数字根据前面的两种情况来加入m1,还是m2.

最后判定是否匹配的条件即是:diff_m1==0&&diff_m2==0.

因为是先确定s串前m个,所以m>n的情况,明显是不对的.加个特判,或者每次清空数组即可.

This Code

提供了基于BP(Back Propagation)神经网络结合PID(比例-积分-微分)控制策略的Simulink仿真模型。该模型旨在实现对杨艺所著论文《基于S函数的BP神经网络PID控制器及Simulink仿真》中的理论进行实践验证。在Matlab 2016b环境下开发,经过测试,确保能够正常运行,适合学习和研究神经网络在控制系统中的应用。 特点 集成BP神经网络:模型中集成了BP神经网络用于提升PID控制器的性能,使之能更好地适应复杂控制环境。 PID控制优化:利用神经网络的自学习能力,对传统的PID控制算法进行了智能调整,提高控制精度和稳定性。 S函数应用:展示了如何在Simulink中通过S函数嵌入MATLAB代码,实现BP神经网络的定制化逻辑。 兼容性说明:虽然开发于Matlab 2016b,但理论上兼容后续版本,可能会需要调整少量配置以适配不同版本的Matlab。 使用指南 环境要求:确保你的电脑上安装有Matlab 2016b或更高版本。 模型加载: 下载本仓库到本地。 在Matlab中打开.slx文件。 运行仿真: 调整模型参数前,请先熟悉各模块功能和输入输出设置。 运行整个模型,观察控制效果。 参数调整: 用户可以自由调节神经网络的层数、节点数以及PID控制器的参数,探索不同的控制性能。 学习和修改: 通过阅读模型中的注释和查阅相关文献,加深对BP神经网络与PID控制结合的理解。 如需修改S函数内的MATLAB代码,建议有一定的MATLAB编程基础。
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