最大权闭合子图(最小割,蕴含式最大获利问题)

本文介绍最大权闭合子图的概念及其求解方法,包括如何构建图模型、使用最大流最小割算法来确定最大权闭合子图的具体步骤,并提供例题解析。

最大权闭合子图(最大流最小割)

•参考资料

【1】最大权闭合子图

•权闭合子图

存在一个图的子图,使得子图中的所有点出度指向的点依旧在这个子图内,则此子图是闭合子图。

 在这个图中有8个闭合子图:∅,{3},{4},{2,4},{3,4},{1,3,4},{2,3,4},{1,2,3,4}

•最大权闭合子图

在一个图中每个点具有点权值,在他的所有闭合子途中点权之和最大的即是最大权闭合子图。

•详解

最大权闭合子图权值  =  所有权值为正的权值之和  -  最大流

•步骤

  • 建图

抽象出一个超级源、汇点

将权值为正的点和超级源点连接、容量为权值

将权值为负的点和超级汇点连接、容量为权值的绝对值

除了源、汇之外的点原本按题目关系相连,容量为无穷大

  • 计算

最大权闭合子图权值  =  所有权值为正的权值之和  -  最大流

•例题

【题目】

BZOJ 1497 最大获利

HOJ 2634  How to earn more

【代码】

HOJ 2634 How to earn more

内容概要:本文提出了一种基于融合鱼鹰算法和柯西变异的改进麻雀优化算法(OCSSA),用于优化变分模态分解(VMD)的参数,进而结合卷积神经网络(CNN)与双向长短期记忆网络(BiLSTM)构建OCSSA-VMD-CNN-BILSTM模型,实现对轴承故障的高【轴承故障诊断】基于融合鱼鹰和柯西变异的麻雀优化算法OCSSA-VMD-CNN-BILSTM轴承诊断研究【西储大学数据】(Matlab代码实现)精度诊断。研究采用西储大学公开的轴承故障数据集进行实验验证,通过优化VMD的模态数和惩罚因,有效提升了信号分解的准确性与稳定性,随后利用CNN提取故障特征,BiLSTM捕捉时间序列的深层依赖关系,最终实现故障类型的智能识别。该方法在提升故障诊断精度与鲁棒性方面表现出优越性能。; 适合人群:具备一定信号处理、机器学习基础,从事机械故障诊断、智能运维、工业大数据分析等相关领域的研究生、科研人员及工程技术人员。; 使用场景及目标:①解决传统VMD参数依赖人工经验选取的问题,实现参数自适应优化;②提升复杂工况下滚动轴承早期故障的识别准确率;③为智能制造与预测性维护提供可靠的技术支持。; 阅读建议:建议读者结合Matlab代码实现过程,深入理解OCSSA优化机制、VMD信号分解流程以及CNN-BiLSTM网络架构的设计逻辑,重点关注参数优化与故障分类的联动关系,并可通过更换数据集进一步验证模型泛化能力。
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