UVa 512 Spreadsheet Tracking

本文介绍了一个模拟表格操作的程序,能够处理插入、删除行列及单元格交换等操作,并追踪单元格位置变化。通过输入输出示例展示了如何使用该程序。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

  1. 针对一个表格的插入、删除行列,和交换两个cell的操作。
  2.  开始的一个对(r,c)表示datasheet的行和列数 
  3. 第二行的数字表示要执行的操作的数目
  4. 后面跟着多个操作,包括EX,DC,DR,IC,IR
  5. 然后是一个整数,表示要查询操作的个数
  6. 多个cell的坐标
  7. 以(0,0)对完成输入
  8. 输出:首先表明这是第几个表;
  9. 输出:对于每一个查询,首先输出原来的cell的位置,然后输出当前的位置,如果被删除了,则输出GONE
  10. 输出:每两个表之间输出一个空行。

#include<iostream>
#include<string>

using namespace std;
/*
struct Ele {
	int rOld;
	int cOld;
};
const int ArrSize = 100000;
Ele** sheetArr;
int rowNum, colNum;

void 
DR(unsigned int r) 
{
	for (int i = r; i < rowNum; ++i)
		for (int j = 1; j <= colNum; ++j) 
			sheetArr[i][j] = sheetArr[i + 1][j];
	rowNum--;
}
void 
DC(unsigned int c) 
{
	for (int j = c; j < colNum; ++j)
		for (int i = 1; i <= rowNum; ++i)
			sheetArr[i][j] = sheetArr[i][j + 1];
	colNum--;
}
void 
IC(unsigned int c) 
{
	for (int j = colNum; j >= c; --j)
		for (int i = 1; i <= rowNum; ++i)
			sheetArr[i][j + 1] = sheetArr[i][j];
	for (int i = 1; i <= rowNum; ++i)
		sheetArr[i][c] = { 0,0 };
	colNum++;
}
void 
IR(unsigned int r) 
{
	for (int i = rowNum; i >= r; --i)
		for (int j = 1; j <= colNum; ++j)
			sheetArr[i + 1][j] = sheetArr[i][j];
	for (int j = 1; j <= colNum; ++j)
		sheetArr[r][j] = { 0,0 };
	rowNum++;
}
void 
EX(unsigned int rPre, unsigned int cPre, unsigned int rNew, unsigned int cNew) 
{
	Ele temp;
	temp = sheetArr[rPre][cPre];
	sheetArr[rPre][cPre] = sheetArr[rNew][cNew];
	sheetArr[rNew][cNew] = temp;
}
void 
print()
{
	for (int i = 1; i <= rowNum; ++i) {
		for (int j = 1; j <= colNum; ++j)
			cout << sheetArr[i][j].cOld << "," << sheetArr[i][j].rOld << " ";
		cout << endl;
	}
}
Ele find(int r, int c)
{
	Ele temp = { 0,0 };
	
	for (int i = 1; i <= rowNum; ++i)
		for (int j = 1; j <= colNum; ++j)
			if (sheetArr[i][j].rOld == r && sheetArr[i][j].cOld == c) {
				temp = { i, j };
				return temp;
			}
	return temp;
}
void
arrInit(int r,int c)
{
   for (int i = 1; i <= r; ++i)
		for (int j = 1; j <= c; ++j)
			sheetArr[i][j] = { i,j };
}
int main()
{
#ifndef UVa
	FILE *fp;
	freopen_s(&fp, "data.in.txt", "r", stdin);
	freopen_s(&fp, "data.out.txt", "w", stdout);
#endif
	sheetArr = new Ele*[ArrSize];
	for (int i = 0; i < ArrSize; ++i)
		sheetArr[i] = new Ele[ArrSize];
	int cnt = 0;//sheet number count

	while (cin >> rowNum >> colNum) {
		if (rowNum == 0 || colNum == 0)
			break;
		arrInit(rowNum, colNum);
		cnt++;

		int operCnt;
		cin >> operCnt;
		for (int i = 0; i < operCnt; ++i) {
			string cmd;
			int rcNum;
			cin >> cmd;

			if (cmd == "DR") {
				cin >> rcNum;
				for (int i = 0; i < rcNum; ++i) {
					int rLoc;
					cin >> rLoc;
					DR(rLoc-i);
				}
			}
			if (cmd == "DC") {
				cin >> rcNum;
				for (int i = 0; i < rcNum; ++i) {
					int rLoc;
					cin >> rLoc;
					DC(rLoc-i);
				}
			}
			if (cmd == "IC") {
				cin >> rcNum;
				for (int i = 0; i < rcNum; ++i) {
					int rLoc;
					cin >> rLoc;
					IC(rLoc+i);
				}
			}
			if (cmd == "IR") {
				cin >> rcNum;
				for (int i = 0; i < rcNum; ++i) {
					int rLoc;
					cin >> rLoc;
					IR(rLoc+i);
				}
			}
			if (cmd == "EX") {
				int rPre, cPre, rNew, cNew;
				cin >> rPre >> cPre >> rNew >> cNew;
				EX(rPre, cPre, rNew, cNew);
			}
		}//read operation for
		
		int qryNum;
		cin >> qryNum;
	    
		cout << "Spreadsheet #" << cnt << endl;
		for (; qryNum > 0; --qryNum){
			int r, c;
			cin >> r >> c;

			Ele nowPos = find(r, c);
			if (nowPos.cOld == 0 || nowPos.rOld == 0)
				cout << "Cell data in (" << r << ","
				<< c << ") GONE" << endl;
			else
				cout << "Cell data in (" << r << ","
				<< c << ") moved to (" <<nowPos.rOld << ","
				<< nowPos.cOld << ")" << endl;
		}//process query for
		cout << endl;
	}//read r,c while
    return 0;
}


内容概要:该论文研究增程式电动汽车(REEV)的能量管理策略,针对现有优化策略实时性差的问题,提出基于工况识别的自适应等效燃油消耗最小策略(A-ECMS)。首先建立整车Simulink模型和基于规则的策略;然后研究动态规划(DP)算法和等效燃油最小策略;接着通过聚类分析将道路工况分为四类,并设计工况识别算法;最后开发基于工况识别的A-ECMS,通过高德地图预判工况类型并自适应调整SOC分配。仿真显示该策略比规则策略节油8%,比简单SOC规划策略节油2%,并通过硬件在环实验验证了实时可行性。 适合人群:具备一定编程基础,特别是对电动汽车能量管理策略有兴趣的研发人员和技术爱好者。 使用场景及目标:①理解增程式电动汽车能量管理策略的基本原理;②掌握动态规划算法和等效燃油消耗最小策略的应用;③学习工况识别算法的设计和实现;④了解基于工况识别的A-ECMS策略的具体实现及其优化效果。 其他说明:此资源不仅提供了详细的MATLAB/Simulink代码实现,还深入分析了各算法的原理和应用场景,适合用于学术研究和工业实践。在学习过程中,建议结合代码调试和实际数据进行实践,以便更好地理解策略的优化效果。此外,论文还探讨了未来的研究方向,如深度学习替代聚类、多目标优化以及V2X集成等,为后续研究提供了思路。
内容概要:论文《基于KANN-DBSCAN带宽优化的核密度估计载荷谱外推》针对传统核密度估计(KDE)载荷外推中使用全局固定带宽的局限性,提出了一种基于改进的K平均最近邻DBSCAN(KANN-DBSCAN)聚类算法优化带宽选择的核密度估计方法。该方法通过对载荷数据进行KANN-DBSCAN聚类分组,采用拇指法(ROT)计算各簇最优带宽,再进行核密度估计和蒙特卡洛模拟外推。实验以电动汽车实测载荷数据为对象,通过统计参数、拟合度和伪损伤三个指标验证了该方法的有效性,误差显著降低,拟合度R²>0.99,伪损伤接近1。 适合人群:具备一定编程基础和载荷数据分析经验的研究人员、工程师,尤其是从事汽车工程、机械工程等领域的工作1-5年研发人员。 使用场景及目标:①用于电动汽车载荷谱编制,提高载荷预测的准确性;②应用于机械零部件的载荷外推,特别是非对称载荷分布和多峰扭矩载荷;③实现智能网联汽车载荷预测与数字孪生集成,提供动态更新的载荷预测系统。 其他说明:该方法不仅解决了传统KDE方法在复杂工况下的“过平滑”与“欠拟合”问题,还通过自适应参数机制提高了方法的普适性和计算效率。实际应用中,建议结合MATLAB代码实现,确保数据质量,优化参数并通过伪损伤误差等指标进行验证。此外,该方法可扩展至风电装备、航空结构健康监测等多个领域,未来研究方向包括高维载荷扩展、实时外推和多物理场耦合等。
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