[区间dp+记忆化搜索] 洛谷P1220 && 洛谷P1005

本文深入解析了两个典型的动态规划(DP)问题,一是通过记忆化搜索优化的队列操作最大价值和问题,二是考虑人物位置状态的区间DP问题,旨在帮助读者理解DP算法的核心思想与实现技巧。

P1005

题意:一个长为m的数列执行m次操作:每次取队首/队尾 价值为ai*2^(第x次操作),

           一共有n行这样的数列,问最大价值和?

思路:每行分别求一遍dp. dp[l][r]为 [l,r]范围内的最大价值

           转移方程分别考虑[l,r]转到[l+1,r] ,[l,r-1]状态的价值的改变量即可

实现:记忆化搜索,往里缩。注意:要__int128   O(n*m*m)

#include<bits/stdc++.h>
#define ll __int128

using namespace std;
const int maxn=5e6+5;
const ll mod=1e9+7;
ll dp[105][105];
ll a[105][105];

int n,m;ll one=1;
ll dfs(int x,int l,int r){
    if(l==r)return dp[l][r];
    if(dp[l][r])return dp[l][r];
    ll tm=m-r+l;
    return dp[l][r]=max(dfs(x,l+1,r)+a[x][l]*(one<<tm),dfs(x,l,r-1)+a[x][r]*(one<<tm));
}



inline void print(__int128 x){
    if(x<0){
        putchar('-');
        x=-x;
    }
    if(x>9)print(x/10);
    putchar(x%10+'0');
}


int main(){
    print(0);
    cin>>n>>m;
    for(int i=1;i<=n;i++){
        for(int j=1;j<=m;j++){
            int t;cin>>t;a[i][j]=t;
        }
    }
    ll ans=0;
    for(int i=1;i<=n;i++){
        memset(dp,0,sizeof(dp));
        for(int j=1;j<=m;j++){
            dp[j][j]=a[i][j]*(one<<m);
        }
        ans+=dfs(i,1,m);
    }
    print(ans);
    //cout<<ans<<endl;
    system("pause");
    return 0;

}

P1220

题意:直线上有N个灯,每个灯有位置id[i](单调增,单位m)跟 每天亮着的花费a[i]

           小Z一开始在第K盏灯位置 每天走1m/s ,关灯不耗时,问最小花费关掉所有灯?

思路:直觉区间dp dp[i][j]表示当前[i,j]的灯已经关的最小花费,(i j是灯下标)

           但样例过不去,发现还得考虑小Z的位置,但发现不需要多一维枚举当前位置now,

           我们只关心Z在左端点还是右端点。于是dp就出来了,记忆化跑跑即可

           比如说当前状态是 [x,r,0] 你往x-1关灯。下一状态就是[x-1,r,0],不用考虑[x-1,r,1]

实现:记忆化搜索,往外扩,注意边界,O(n*m)


#include<bits/stdc++.h>
#define ll long long
using namespace std;
const int maxn=5e6+5;
const ll mod=1e9+7;
ll dp[105][105][2];
ll a[105];ll id[105];ll sum[105];
int n,k;
ll PerCost(int l,int r){
    return sum[n]-sum[r]+sum[l];
}
ll dfs(int l,int r,int x){//左第一个暗的灯下标l 右下标r 当前位置l 还是r 
    //边界:l>0 r<n
    ll now=(x==0)?id[l]:id[r];
    ll ans=100000000000000000;
    if(dp[l][r][x])return dp[l][r][x];
    if(l==1&&r==n){
        ans=0;
    }
    else if(l==1&&r<n){
        ans=min(ans,dfs(l,r+1,1)+(id[r+1]-now)*(sum[n]-sum[r]));//去关右边
    }
    else if(l>1&&r<n){
        ans=min(dfs(l,r+1,1)+(id[r+1]-now)*(sum[n]-sum[r]+sum[l-1]) ,dfs(l-1,r,0)+(now-id[l-1])*(sum[n]-sum[r]+sum[l-1])   );
    }
    else if(l>1&&r==n){
        ans=min(ans,dfs(l-1,r,0)+(now-id[l-1])*sum[l-1] );//去关左边
    }

    return dp[l][r][x]=ans;
}
int main(){
    cin>>n>>k;
    for(int i=1;i<=n;i++){cin>>id[i]>>a[i];sum[i]=sum[i-1]+a[i];}

    cout<<dfs(k,k,1)<<endl;


    system("pause");
    return 0;

}

 

基于分布式模型预测控制的多个固定翼无人机一致性控制(Matlab代码实现)内容概要:本文围绕“基于分布式模型预测控制的多个固定翼无人机一致性控制”展开,采用Matlab代码实现相关算法,属于顶级EI期刊的复现研究成果。文中重点研究了分布式模型预测控制(DMPC)在多无人机系统中的一致性控制问题,通过构建固定翼无人机的动力学模型,结合分布式协同控制策略,实现多无人机在复杂环境下的轨迹一致性和稳定协同飞行。研究涵盖了控制算法设计、系统建模、优化求解及仿真验证全过程,并提供了完整的Matlab代码支持,便于读者复现实验结果。; 适合人群:具备自动控制、无人机系统或优化算法基础,从事科研或工程应用的研究生、科研人员及自动化、航空航天领域的研发工程师;熟悉Matlab编程和基本控制理论者更佳; 使用场景及目标:①用于多无人机协同控制系统的算法研究与仿真验证;②支撑科研论文复现、毕业设计或项目开发;③掌握分布式模型预测控制在实际系统中的应用方法,提升对多智能体协同控制的理解与实践能力; 阅读建议:建议结合提供的Matlab代码逐模块分析,重点关注DMPC算法的构建流程、约束处理方式及一致性协议的设计逻辑,同时可拓展学习文中提及的路径规划、编队控制等相关技术,以深化对无人机集群控制的整体认知。
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