TOJ-1348 Freckles

本文介绍了一种使用Prim算法解决最小生成树问题的方法,通过具体实例展示了如何在平面坐标系中找到连接多个点(模拟皮肤上的雀斑)的最短线路总长度。文章详细解释了Prim算法的实现过程,包括初始化、选择最小边和更新顶点状态等关键步骤,并提供了一段完整的C++代码示例。
In an episode of the Dick Van Dyke show, little Richie connects the freckles on his Dad's back to form a picture of the Liberty Bell. Alas, one of the freckles turns out to be a scar, so his Ripley's engagement falls through.

Consider Dick's back to be a plane with freckles at various (x,y) locations. Your job is to tell Richie how to connect the dots so as to minimize the amount of ink used. Richie connects the dots by drawing straight lines between pairs, possibly lifting the pen between lines. When Richie is done there must be a sequence of connected lines from any freckle to any other freckle.

The first line contains 0 < n ≤ 100, the number of freckles on Dick's back. For each freckle, a line follows; each following line contains two real numbers indicating the (x,y) coordinates of the freckle.

Your program prints a single real number to two decimal places: the minimum total length of ink lines that can connect all the freckles.

Sample Input

3
1.0 1.0
2.0 2.0
2.0 4.0

Output for Sample Input

3.41



Source: Waterloo Local Contest Sep. 23, 2000

最小生成树的模板,用prim算法最简单了吧。

#include <iostream>
#include <iomanip>
#include <algorithm>
#include <math.h>
using namespace std;
const int INF=0x3f3f3f3f;
int n,vn[105];
double lc[105],edge[105][105];
double prim(){
    int i;
    for(i=0;i<n;i++){
        vn[i] = 0;
    }
    for(i=0;i<n;i++){
        lc[i] = INF;
    }
    
    int k = 0;
    vn[0] = -1;//根节点为0号节点,-1表示放入集合vn,非-1为在集合v-vn 
    double ac = 0;
    for(i=0;i<n-1;i++){
        double mc = INF;
        int mv = -1;
        for(int j=0;j<n;j++){
            if(vn[j]!=-1){
                double t = edge[j][k];
                if(t<lc[j]){
                    lc[j] = t;
                    vn[j] = k;//用点k的边更新vn中点到v-vn中各点的最短边 
                }
                if(lc[j]<mc){
                    mc = lc[j];
                    mv = j;//更新vn中点出发的最短边 
                } 
            } 
        }
        ac += mc;
        k =  mv;
        vn[k] = -1;
    } 
    return ac;
}
int main(){
    int i,j,k;
    double x[105],y[105];
    while(cin>>n){
        for(i=0;i<n;i++){
            cin>>x[i]>>y[i];
        } 
        for(i=0;i<n;i++){
            for(j=0;j<n;j++){
                edge[i][j]=edge[j][i]=sqrt( (x[i]-x[j])*(x[i]-x[j])+(y[i]-y[j])*(y[i]-y[j]) );
            }
        }
        double ans = prim();
        cout<<showpoint<<fixed <<setprecision(2)<<ans<<endl;
    }
    
    return 0;
}

 

转载于:https://www.cnblogs.com/shenchuguimo/p/6386577.html

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,并提供了相应的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,并通过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或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
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
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