hdu 4352 XHXJ's LIS 状压数位dp

本文介绍了一种求解两数相减后得到的按位值最长递增子序列(LIS)长度为k的问题的算法实现。通过动态规划方法,详细解释了如何计算给定两个数a和b之间满足特定条件的数的个数。

求a - b 的按每位值来最长lis长度为k的个数
当求lis时 每加入一个数看此时的lis中有没有数大于等于它且前一个数小于它,有的话将这个位置替换成这个数,没有的话把它填入到末尾 lis+1
所以dp[i][sym][len] 代表 推到第i位,此时组成状态为sym, 最后lis长度为len的方案数
注意处理前导0

#include<cstdio>
#include<algorithm>
#include<iostream>
#include<cstring>
#define LL long long
using namespace std;
LL dp[21][1026][23];
LL l, x[100];
LL update(LL n, LL va)
{
    for(int i = va; i<= 9; i++)
        if(n & (1 << i)) return n ^ (1 << i) | (1 << va);
    return n | (1 << va);
}
LL getNum(LL n)
{
   int sum = 0;
   while(n)
   {
       if(n & 1) sum++;
       n >>= 1;
   }
   return sum;
}
LL dfs(LL i, bool e, LL pre, LL len, bool sym) //状态
{
   if(i == -1) return getNum(pre) == len;
   if(e && dp[i][pre][len] != -1) return dp[i][pre][len];
   int Max = e ? 9 : x[i];
   LL ans = 0;
   for(int j = 0; j <= Max; j++)
       ans += dfs(i - 1, !(!e && j == x[i]),  sym||j? update(pre, j) : 0, len, sym || j);
   if(e) dp[i][pre][len] = ans;
   return ans;
}
LL cal(LL n, LL len)
{
    l = 0;
    while(n)
    {
       x[l++] = n % 10;
       n /= 10;
    }
    return dfs(l - 1, 0, 0, len, 0);
}
int main()
{
    memset(dp, -1, sizeof(dp));
    int t, i1 = 1;
    scanf("%d", &t);
    while(t--)
    {
         LL a, b, k;
         scanf("%I64d %I64d %I64d", &a, &b, &k);
         printf("Case #%d: %I64d\n", i1++, cal(b, k) - cal(a - 1, k));
    }
    return 0;
}
【四轴飞行器】非线性三自由度四轴飞行器模拟器研究(Matlab代码实现)内容概要:本文围绕非线性三自由度四轴飞行器模拟器的研究展开,重点介绍基于Matlab代码实现的四轴飞行器动力学建模与仿真方法。研究构建了考虑非线性特性的飞行器数学模型,涵盖姿态动力学与运动学方程,实现了三自由度(滚转、俯仰、偏航)的精确模拟。文中详细阐述了系统建模过程、控制算法设计思路及仿真结果分析,帮助读者深入理解四轴飞行器的飞行动力学特性与控制机制;同时,该模拟器可用于算法验证、控制器设计与教学实验。; 适合人群:具备一定自动控制理论基础和Matlab编程能力的高校学生、科研人员及无人机相关领域的工程技术人员,尤其适合从事飞行器建模、控制算法开发的研究生和初级研究人员。; 使用场景及目标:①用于四轴飞行器非线性动力学特性的学习与仿真验证;②作为控制器(如PID、LQR、MPC等)设计与测试的仿真平台;③支持无人机控制系统教学与科研项目开发,提升对姿态控制与系统仿真的理解。; 阅读建议:建议读者结合Matlab代码逐模块分析,重点关注动力学方程的推导与实现方式,动手运行并调试仿真程序,以加深对飞行器姿态控制过程的理解。同时可扩展为六自由度模型或加入外部干扰以增强仿真真实性。
基于分布式模型预测控制DMPC的多智能体点对点过渡轨迹生成研究(Matlab代码实现)内容概要:本文围绕“基于分布式模型预测控制(DMPC)的多智能体点对点过渡轨迹生成研究”展开,重点介绍如何利用DMPC方法实现多智能体系统在复杂环境下的协同轨迹规划与控制。文中结合Matlab代码实现,详细阐述了DMPC的基本原理、数学建模过程以及在多智能体系统中的具体应用,涵盖点对点转移、避障处理、态约束与通信拓扑等关键技术环节。研究强调算法的分布式特性,提升系统的可扩展性与鲁棒性,适用于多无人机、无人车编队等场景。同时,文档列举了大量相关科研方向与代码资源,展示了DMPC在路径规划、协同控制、电力系统、信号处理等多领域的广泛应用。; 适合人群:具备一定自动化、控制理论或机器人学基础的研究生、科研人员及从事智能系统开发的工程技术人员;熟悉Matlab/Simulink仿真环境,对多智能体协同控制、优化算法有一定兴趣或研究需求的人员。; 使用场景及目标:①用于多智能体系统的轨迹生成与协同控制研究,如无人机集群、无人驾驶车队等;②作为DMPC算法学习与仿真实践的参考资料,帮助理解分布式优化与模型预测控制的结合机制;③支撑科研论文复现、毕业设计或项目开发中的算法验证与性能对比。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,重点关注DMPC的优化建模、约束处理与信息交互机制;按文档结构逐步学习,同时参考文中提及的路径规划、协同控制等相关案例,加深对分布式控制系统的整体理解。
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