hdu1087 Super Jumping! Jumping! Jumping!

本文解析了一道经典的DP变形题目,通过动态规划求解最大累积值。利用dp数组记录每个位置的最大值,并通过遍历寻找最优解。

题目链接:http://acm.hdu.edu.cn/showproblem.php?pid=1087

经典dp的一个小变形,用dp[i]表示第i个位置上的max,则dp[i]=a[i]+dp]j],(a[j]<a[i]&&max(dp[j])),然后输出max(dp)即可;

//代码中含全角空格

#include <iostream>
#include <cstring>
#include <cstdio>
using namespace std;
const int N=1010;
int n,a[N];
long long dp[N],maxn;

int main()
{
    while(cin>>n&&n){
        for(int i=0;i<n;i++)
            cin>>a[i];
        maxn=-1;
        memset(dp,0,sizeof(dp));
        for(int i=0;i<n;i++){
            long long tmp=0;
        for(int j=i-1;j>=0;j--)
            if(a[j]<a[i])tmp=max(dp[j],tmp);//找max(dp[j])  <span style="font-family: Arial; font-size: 14px; line-height: 26px;">a[j]<a[i]&&max(dp[j])</span>
        dp[i]+=(tmp+a[i]);
        maxn=max(dp[i],maxn);           
        }
        printf("%I64d\n",maxn);
    }
    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
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