Hoj 2064 Journey to Tibet(递归)

本文介绍了解决ACM竞赛中一个特定问题的方法,该问题涉及在一组点中找到满足特定距离约束的最优路径。通过使用DFS深度优先搜索算法和距离计算函数,实现了一个高效的解决方案,最终输出最优路径及其总和。
原文: 点击打开链接
//题目链接:http://acm.hit.edu.cn/hoj/problem/view?id=2064
//(代码含全角空格,你懂的)
#include
#include
#include
#include
using namespace std;
const int N=1010;
struct vil{
    int x,y,m;
    bool vis;
};

int dis(vil a,vil b){
    return (a.x-b.x)*(a.x-b.x)+(a.y-b.y)*(a.y-b.y);
}
vil v[N];
int n,temp,best,ans;

void dfs(int s){
    for(int i=0;i
        if(!v[i].vis&&dis(v[i],v[s])<=900){
            v[i].vis=true;
            temp+=v[i].m;
            dfs(i);
            //v[i].vis=false;避免重复访问
        }
}
int main(){
    while(cin>>n&&n){
        for(int i=0;i
            cin>>v[i].x>>v[i].y>>v[i].m;
        }
        ans=-1;best=0;
        for(int i=0;i
            for(int j=0;j
            v[i].vis=true;
            temp=v[i].m;   
            dfs(i);
            if(temp>ans) {ans=temp;best=i;}
            //v[i].vis=false;避免重复访问
        }   
        cout<<best+1<<' '<<ans<<endl;
    }
    return 0;
}

提供了基于BP(Back Propagation)神经网络结合PID(比例-积分-微分)控制策略的Simulink仿真模型。该模型旨在实现对杨艺所著论文《基于S函数的BP神经网络PID控制器及Simulink仿真》中的理论进行实践验证。在Matlab 2016b环境下开发,经过测试,确保能够正常运行,适合学习和研究神经网络在控制系统中的应用。 特点 集成BP神经网络:模型中集成了BP神经网络用于提升PID控制器的性能,使之能更好地适应复杂控制环境。 PID控制优化:利用神经网络的自学习能力,对传统的PID控制算法进行了智能调整,提高控制精度和稳定性。 S函数应用:展示了如何在Simulink中通过S函数嵌入MATLAB代码,实现BP神经网络的定制化逻辑。 兼容性说明:虽然开发于Matlab 2016b,但理论上兼容后续版本,可能会需要调整少量配置以适配不同版本的Matlab。 使用指南 环境要求:确保你的电脑上安装有Matlab 2016b或更高版本。 模型加载: 下载本仓库到本地。 在Matlab中打开.slx文件。 运行仿真: 调整模型参数前,请先熟悉各模块功能和输入输出设置。 运行整个模型,观察控制效果。 参数调整: 用户可以自由调节神经网络的层数、节点数以及PID控制器的参数,探索不同的控制性能。 学习和修改: 通过阅读模型中的注释和查阅相关文献,加深对BP神经网络与PID控制结合的理解。 如需修改S函数内的MATLAB代码,建议有一定的MATLAB编程基础。
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