ZONe Energy Programming Contest E - Sneaking (最短路)

本文解析了如何在移动图问题中通过引入虚拟顶点和特殊的边权重设计,解决了从后往前移动的成本计算。利用链似前向星数据结构,巧妙地减少了边的数量,实现了高效的路径求解。

传送门

前三个移动按照题目描述连边就可以。

现在考虑最后一个移动:如果直接连边,边的总数肯定就炸了。我们可以考虑建一个虚顶点,普通顶点的编号为(i - 1) * m + j,对应虚节点的编号为(i - 1) * m + j + n * m。我们可以让普通顶点与虚顶点连一条权值为1的边,虚顶点向顶点连一条权值为0的边,然后虚节点向它的上一个虚节点连一条权值为1的边((i - 2) * m + j)。

为什么这么考虑呢?因为题目说的从后往前移动的花费为i + 1,这个1就对应了顶点到虚节点的权值,i就相当于虚节点向虚节点移动所需要的权值。思考起来还是蛮有意思的。

注意用链似前向星存边的时候一定要把len初始化为1,不然死循环…

#include<bits/stdc++.h>
using namespace std;
 
typedef long long LL;         
typedef pair<int, int> P;
 
const int maxn = 500 + 10;        
const int M_MAX = 10 * maxn * maxn;
const int mod = 1e9 + 7;
const LL INF = 0x3f3f3f3f;    
const double eps = 1e-6;      

struct edge {
    int to, cost, next;
}e[5000010];

int n, m;
int h[1000010], d[1000010], len = 1;

int p(int x, int y) { return (x - 1) * m + y; }

void addedge(int v, int u, int cost) {
    e[len].to = u;
    e[len].cost = cost;
    e[len].next = h[v];
    h[v] = len++;
}

void solve() {
    cin >> n >> m;
    for(int i = 1; i <= n; i++) {
        for(int j = 1; j < m; j++) {
            int c; cin >> c;
            addedge(p(i, j) , p(i, j + 1), c);
            addedge(p(i,j+1), p(i, j), c);
        }
    }
    for(int i = 1; i < n; i++) {
        for(int j = 1; j <= m; j++) {
            int c; cin >> c;
            addedge(p(i, j), p(i+1, j), c);
        }
    }
    for(int i = 1; i <= n; i++) {
        for(int j = 1; j <= m; j++) {
            addedge(p(i, j), p(i, j) + n*m, 1);
            addedge(p(i,j) + n*m, p(i,j), 0);
        }
    }
    for(int i = 1; i <= n; i++) {
        for(int j = 1; j <= m; j++) {
            addedge(p(i+1, j) + n*m, p(i,j) + n*m, 1);
        }
    }
    for(int i = 1; i <= 2 * n * m; i++) d[i] = INF;
    d[1] = 0;
    priority_queue<P, vector<P>, greater<P>> que;
    que.emplace(P(0, 1));
    while(!que.empty()) {
        P pe = que.top(); que.pop();
        int v = pe.second;
        if(d[v] < pe.first) continue;
        for(int i = h[v]; i; i = e[i].next) {
            if(d[e[i].to] > e[i].cost + d[v]) {
                d[e[i].to] = e[i].cost + d[v];
                que.emplace(P(d[e[i].to], e[i].to));
            }
        }
    }
    cout << d[n*m] << endl;
}   
 
int main() {
    ios::sync_with_stdio(false);
    //srand(time(NULL));    //更新种子
    solve();
    return 0;
}  
【电动车】基于多目标优化遗传算法NSGAII的峰谷分时电价引导下的电动汽车充电负荷优化研究(Matlab代码实现)内容概要:本文围绕“基于多目标优化遗传算法NSGA-II的峰谷分时电价引导下的电动汽车充电负荷优化研究”展开,利用Matlab代码实现优化模型,旨在通过峰谷分时电价机制引导电动汽车有序充电,降低电网负荷波动,提升能源利用效率。研究融合了多目标优化思想与遗传算法NSGA-II,兼顾电网负荷均衡性、用户充电成本和充电满意度等多个目标,构建了科学合理的数学模型,并通过仿真验证了方法的有效性与实用性。文中还提供了完整的Matlab代码实现路径,便于复现与进一步研究。; 适合人群:具备一定电力系统基础知识和Matlab编程能力的高校研究生、科研人员及从事智能电网、电动汽车调度相关工作的工程技术人员。; 使用场景及目标:①应用于智能电网中电动汽车充电负荷的优化调度;②服务于峰谷电价政策下的需求侧管理研究;③为多目标优化算法在能源系统中的实际应用提供案例参考; 阅读建议:建议读者结合Matlab代码逐步理解模型构建与算法实现过程,重点关注NSGA-II算法在多目标优化中的适应度函数设计、约束处理及Pareto前沿生成机制,同时可尝试调整参数或引入其他智能算法进行对比分析,以深化对优化策略的理解。
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