[SCOI2008]着色方案 bzoj1079/洛谷2476

本文介绍了一种求解不同颜色木块排列组合总数的算法。通过动态规划的方法,统计了n个木块使用k种颜色进行涂色,且相邻木块颜色不同的情况下,所有可能的排列方式。

题目描述
有n个木块排成一行,从左到右依次编号为1~n。你有k种颜色的油漆,其

中第i 种颜色的油漆足够涂ci 个木块。所有油漆刚好足够涂满所有木块,即

c1+c2+…+ck=n。相邻两个木块涂相同色显得很难看,所以你希望统计任意两个相

邻木块颜色不同的着色方案。

输入输出格式
输入格式:
第一行为一个正整数k,第二行包含k个整数c1, c2, … , ck。

输出格式:
输出一个整数,即方案总数模1,000,000,007的结果。

题解

f[c1][c2][c3][c4][c5][last]f[c1][c2][c3][c4][c5][last]表示上一个木块涂的颜色可以涂last块(包括上一块),能涂i块木块的颜色有ci种的最优解。

f[c1][c2][c3][c4][c5][last]+=f[c1][c2][c3][c4][c5][last]+=
(c1(last==2))f[c11][c2][c3][c4][c5][1](c1−(last==2))∗f[c1−1][c2][c3][c4][c5][1]
(c2(last==3))f[c1+1][c21][c3][c4][c5][2](c2−(last==3))∗f[c1+1][c2−1][c3][c4][c5][2]
(c3(last==4))f[c1][c2+1][c31][c4][c5][3](c3−(last==4))∗f[c1][c2+1][c3−1][c4][c5][3]
(c4(last==5))f[c1][[c2][c3+1][c41][c5][4](c4−(last==5))∗f[c1][[c2][c3+1][c4−1][c5][4]
c5f[c1][c2][c3][c4+1][c5][5]c5∗f[c1][c2][c3][c4+1][c5][5]

#include<cstdio>
#include<string>
using namespace std;
const int MOD=1e9+7;
long long K,num[6],f[16][16][16][16][16][6];
inline int read() {
    int ret=0,f=1;char ch=getchar();
    for (; !isdigit(ch); ch=getchar()) if (ch=='-') f=-f;
    for (; isdigit(ch); ch=getchar()) ret=ret*10+ch-48;
    return ret*f;
}
long long dfs(int c1,int c2,int c3,int c4,int c5,int last) {
    if (f[c1][c2][c3][c4][c5][last]) return f[c1][c2][c3][c4][c5][last];
    long long res=0;
    if (c1) (res+=(c1-(last==2))*dfs(c1-1,c2,c3,c4,c5,1))%=MOD;
    if (c2) (res+=(c2-(last==3))*dfs(c1+1,c2-1,c3,c4,c5,2))%=MOD;
    if (c3) (res+=(c3-(last==4))*dfs(c1,c2+1,c3-1,c4,c5,3))%=MOD;
    if (c4) (res+=(c4-(last==5))*dfs(c1,c2,c3+1,c4-1,c5,4))%=MOD;
    if (c5) (res+=c5*dfs(c1,c2,c3,c4+1,c5-1,5))%=MOD;
    return f[c1][c2][c3][c4][c5][last]=res;
}
int main() {
    K=read();
    for (int i=1; i<=K; i++) num[read()]++;
    for (int i=1; i<=5; i++) f[0][0][0][0][0][i]=1;
    printf("%lld\n",dfs(num[1],num[2],num[3],num[4],num[5],0));
    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,用于纳米定位系统的预测控制研究”展开,提出了一种结合数据驱动方法与Koopman算子理论的递归神经网络(RNN)模型线性化方法,旨在提升纳米定位系统的预测控制精度与动态响应能力。研究通过构建数据驱动的线性化模型,克服了传统非线性系统建模复杂、计算开销大的问题,并在Matlab平台上实现了完整的算法仿真与验证,展示了该方法在高精度定位控制中的有效性与实用性。; 适合人群:具备一定自动化、控制理论或机器学习背景的科研人员与工程技术人员,尤其是从事精密定位、智能控制、非线性系统建模与预测控制相关领域的研究生与研究人员。; 使用场景及目标:①应用于纳米级精密定位系统(如原子力显微镜、半导体制造设备)中的高性能预测控制;②为复杂非线性系统的数据驱动建模与线性化提供新思路;③结合深度学习与经典控制理论,推动智能控制算法的实际落地。; 阅读建议:建议读者结合Matlab代码实现部分,深入理解Koopman算子与RNN结合的建模范式,重点关注数据预处理、模型训练与控制系统集成等关键环节,并可通过替换实际系统数据进行迁移验证,以掌握该方法的核心思想与工程应用技巧。
基于粒子群算法优化Kmeans聚类的居民用电行为分析研究(Matlb代码实现)内容概要:本文围绕基于粒子群算法(PSO)优化Kmeans聚类的居民用电行为分析展开研究,提出了一种结合智能优化算法与传统聚类方法的技术路径。通过使用粒子群算法优化Kmeans聚类的初始聚类中心,有效克服了传统Kmeans算法易陷入局部最优、对初始值敏感的问题,提升了聚类的稳定性和准确性。研究利用Matlab实现了该算法,并应用于居民用电数据的行为模式识别与分类,有助于精细化电力需求管理、用户画像构建及个性化用电服务设计。文档还提及相关应用场景如负荷预测、电力系统优化等,并提供了配套代码资源。; 适合人群:具备一定Matlab编程基础,从事电力系统、智能优化算法、数据分析等相关领域的研究人员或工程技术人员,尤其适合研究生及科研人员。; 使用场景及目标:①用于居民用电行为的高效聚类分析,挖掘典型用电模式;②提升Kmeans聚类算法的性能,避免局部最优问题;③为电力公司开展需求响应、负荷预测和用户分群管理提供技术支持;④作为智能优化算法与机器学习结合应用的教学与科研案例。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,深入理解PSO优化Kmeans的核心机制,关注参数设置对聚类效果的影响,并尝试将其应用于其他相似的数据聚类问题中,以加深理解和拓展应用能力。
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