钢条切割

#include <iostream>
#include <vector>
#include <algorithm>
#include <iterator>
using namespace std;

int cutRod(int *p, int n)
{
	if (n == 0)
		return 0;
	int q = -1;
	for(int i = 1; i <= n; i++)
		q = max(q, p[i]+cutRod(p, n-i));   
	return q;
}

//自顶向下辅助函数 
int memoizedCutRodAux(int *p, int n, int *r)
{
	if (r[n] >= 0)
		return r[n];
	int q = -1;
	if (n == 0)
		q = 0;
	else
	{
		for (int i = 1; i <= n; i++)
			q = max(q, p[i]+memoizedCutRodAux(p, n-i, r));
	}
	r[n] = q;
	return q;
}

//带备忘录的自顶向下,用r[i]记录已经求出的最优解,避免重复调用 
int memoizedCutRod(int *p, int n)
{
	int r[11] = {};
	for (int i = 0; i <= n; i++)
		r[i] = -1;
	int q = memoizedCutRodAux(p, n, r);
	return q;    
}

//自底向下 
int bottomUpCutRod(int *p, int n)
{
	int r[11] = {0};
	int q; 
	for (int j = 1; j <= n; j++)
	{
		q = -1;
		for (int i = 1; i <= j; i++)
			q = max(q, p[i]+r[j-i]);
		r[j] = q;
	}
	return r[n];           
}

//下面使用的是vector...都生疏了...T_T
//r[]: 记录最优解
//s[]:记录最优解的第一段的钢条的切割长度
pair<vector<int>, vector<int> > 
extendedBottomUpCutRod(vector<int> p, int n)
{
	vector<int> r, s(p.size());
	int q = -1;

	r.push_back(0);
	for (int j = 1; j <= n; j++)
	{
		q = -1;
		int i;
		for (i = 1; i <= j; i++)
		{
             if (q < p[i] + r[j-i])
			 {
				 q = p[i] + r[j-i];
				 s[j] = i;
			 }
		}
		r.push_back(q);
	}
	return make_pair(r, s);
}

void printCutRodSolution(vector<int> p, int n)
{
	pair<vector<int>, vector<int> > vvp =
		extendedBottomUpCutRod(p, n);

	cout << vvp.first.at(n) << endl;
	vector<int> s = vvp.second;
	while (n > 0)
	{
		cout << s[n] << endl;
		n -= s[n];
	}
}

int main()
{
	//使price[0]为0,在程序里不使用, 
	//只是为了使截断的左右两端与数组下标保持一致,方便代码  
	int price[] = {0, 1, 5, 8, 9, 10, 17, 17, 20, 24, 30};
	int n;
	cout << "请输入n (ctrl+z结束):";
	while (cin >> n)
	{
		cout << "n=" << n << endl;
		cout << "普通递归法:\n" << cutRod(price, n) << endl;
		cout << "带备忘录的自顶向下法:\n" << memoizedCutRod(price, n) << endl; 
		cout << "自底向下法:\n" << bottomUpCutRod(price, n) << endl;
		vector<int> p(price, price+sizeof(price)/sizeof(price[0]));
		cout << "扩展的自底向下法:" << endl;
		printCutRodSolution(p, n);
		cout << endl << "请输入n (ctrl+z结束): ";
	}

	system("pause");
	return 0;
}

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Koopman算子理论与递归神经网络(RNN)的数据驱动建模方法,旨在对非线性纳米定位系统进行有效线性化建模,并实现高精度的模型预测控制(MPC)。该方法利用Koopman算子将非线性系统映射到高维线性空间,通过递归神经网络学习系统的动态演化规律,构建可解释性强、计算效率高的线性化模型,进而提升预测控制在复杂不确定性环境下的鲁棒性与跟踪精度。文中给出了完整的Matlab代码实现,涵盖数据预处理、网络训练、模型验证与MPC控制器设计等环节,具有较强的基于数据驱动的 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)可复现性和工程应用价值。; 适合人群:具备一定控制理论基础和Matlab编程能力的研究生、科研人员及自动化、精密仪器、机器人等方向的工程技术人员。; 使用场景及目标:①解决高精度纳米定位系统中非线性动态响应带来的控制难题;②实现复杂机电系统的数据驱动建模与预测控制一体化设计;③为非线性系统控制提供一种可替代传统机理建模的有效工具。; 阅读建议:建议结合提供的Matlab代码逐模块分析实现流程,重点关注Koopman观测矩阵构造、RNN网络结构设计与MPC控制器耦合机制,同时可通过替换实际系统数据进行迁移验证,深化对数据驱动控制方法的理解与应用能力。
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