HDU 1596 --find the safest road

本文介绍了一个寻找两点间最安全路径的问题,并提供了一种基于Dijkstra算法的解决方案。该算法能够找到两点间拥有最高安全系数的路径,适用于存在多个城市及连接这些城市的不同安全级别的通道的情况。

题目:

Description

XX星球有很多城市,每个城市之间有一条或多条飞行通道,但是并不是所有的路都是很安全的,每一条路有一个安全系数s,s是在 0 和 1 间的实数(包括0,1),一条从u 到 v 的通道P 的安全度为Safe(P) = s(e1)*s(e2)…*s(ek) e1,e2,ek是P 上的边 ,现在8600 想出去旅游,面对这这么多的路,他想找一条最安全的路。但是8600 的数学不好,想请你帮忙 ^_^

Input

输入包括多个测试实例,每个实例包括:
第一行:n。n表示城市的个数n<=1000;
接着是一个n*n的矩阵表示两个城市之间的安全系数,(0可以理解为那两个城市之间没有直接的通道)
接着是Q个8600要旅游的路线,每行有两个数字,表示8600所在的城市和要去的城市

Output

如果86无法达到他的目的地,输出"What a pity!",
其他的输出这两个城市之间的最安全道路的安全系数,保留三位小数。

Sample Input

3
1 0.5 0.5
0.5 1 0.4
0.5 0.4 1
3
1 2
2 3
1 3

Sample Output

0.500
0.400
0.500

题意:也是求某点到某点的单源最长安全路,和最短路的做法是一样的,不过用floyd算法会TLE,所以就多次使用了Dijkstra算法求解。注意就是没有路输出"What a pity!"。


实现:

#include <stdio.h>
#include <string.h>
#include <math.h>
#include <queue>
#include <algorithm>
using namespace std;

const int MAX = 1005;

double path[MAX][MAX];
const double INF = 0;
struct node {
	int v;
	double value;
	bool friend operator < (node n1, node n2) {
		return n1.value < n2.value;
	}
}d[MAX];

int n;

void Dij(node v) {
	priority_queue <node> q;
	q.push(v);
	while (!q.empty()) {
		node head = q.top();
		q.pop();
		for (int j = 0; j < n; j++) {
			if (d[j].value < d[head.v].value * path[head.v][j]) {
				d[j].value = d[head.v].value * path[head.v][j];
                q.push(d[j]);
			}
		}
	}
}

int main () {
	while(scanf("%d", &n) != EOF) {
		for (int i = 0; i < n; i++) {
			for (int j = 0; j < n; j++) {
				scanf("%lf", &path[i][j]);
			}
		}
		int q, v1, v2;
		scanf("%d", &q);
		for (int i = 0; i < q; i++) {
			scanf("%d%d", &v1, &v2);
			for (int i = 0; i < n; i++) {
                d[i].value = INF;//每次都的初始化
                d[i].v = i;
            }
			d[v1 - 1].value = 1;
			d[v1 - 1].v = v1 - 1;
			Dij(d[v1 - 1]);
			if (d[v2 - 1].value != 0) {
				printf("%.3f\n", d[v2 - 1].value);
			}
			else {
				printf("What a pity!\n");
			}
		}
	}
	return 0;
}


基于径向基函数神经网络RBFNN的自适应滑模控制学习(Matlab代码实现)内容概要:本文介绍了基于径向基函数神经网络(RBFNN)的自适应滑模控制方法,提供了相应的Matlab代码实现。该方法结合了RBF神经网络的非线性逼近能力和滑模控制的强鲁棒性,用于解决复杂系统的控制问题,尤其适用于存在不确定性和外部干扰的动态系统。文中详细阐述了控制算法的设计思路、RBFNN的结构与权重更新机制、滑模面的构建以及自适应律的推导过程,通过Matlab仿真验证了所提方法的有效性和稳定性。此外,文档还列举了大量相关的科研方向和技术应用,涵盖智能优化算法、机器学习、电力系统、路径规划等多个领域,展示了该技术的广泛应用前景。; 适合人群:具备一定自动控制理论基础和Matlab编程能力的研究生、科研人员及工程技术人员,特别是从事智能控制、非线性系统控制及相关领域的研究人员; 使用场景及目标:①学习和掌握RBF神经网络与滑模控制相结合的自适应控制策略设计方法;②应用于电机控制、机器人轨迹跟踪、电力电子系统等存在模型不确定性外界扰动的实际控制系统中,提升控制精度与鲁棒性; 阅读建议:建议读者结合提供的Matlab代码进行仿真实践,深入理解算法实现细节,同时可参考文中提及的相关技术方向拓展研究思路,注重理论分析与仿真验证相结合。
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