poj 2486 Apple Tree(树形dp)

本文介绍了一种解决树形背包问题的方法,通过定义状态(rt,i,0)和(rt,i,1)来表示是否回到根节点的最大值,并给出了具体的实现代码。
/*
    说一下做题感受,首先一看就可以确定是一道树形背包问题。
    刚开始想的是两个状态来表示(rt,i),但这样的话不好表示从一个子节点回来再去访问另外子结点的情况,
    所以就想到了三个状态(rt,i,0)和(rt,i,1),分别表示是否回到rt结点的最大值,这样就可以写出状态方程:
    (rt,i,0)=max{(rt,i,0),(s,j,0)+(rt,i-2-j,0)};  i>=2;i-2>=j;
    (rt,i,1)=max{(rt,i,1),(s,j,0)+(rt,i-2-j,1),(s,j,1)+(rt,i-1-j,0)};
*/
#include<cstdio>
#include<cstring>
#include<cstdlib>
#include<iostream>
#include<vector>
using namespace std;
#define maxn 105
int dp[maxn][2*maxn][2],vis[maxn],k,val[maxn];
vector<int>sons[maxn];
void dfs(int rt){
    vis[rt]=1;
    for(int i=0;i<=k;i++) dp[rt][i][0]=dp[rt][i][1]=val[rt];
    for(int u=0;u<sons[rt].size();u++){
        int s=sons[rt][u];
        if(vis[s]) continue;
        dfs(s);
        for(int i=k;i>=1;i--)
            for(int j=0;j<i;j++){
                //先更新(rt,i,1)再更新(rt,i,0)
                dp[rt][i][1]=max(dp[rt][i][1],dp[s][j][1]+dp[rt][i-1-j][0]);
                if(i>=2+j) dp[rt][i][1]=max(dp[rt][i][1],dp[s][j][0]+dp[rt][i-2-j][1]); //刚开始少了这步,会少了很多情况,因为需要兼顾前面的情况

                if(i>=2+j) dp[rt][i][0]=max(dp[rt][i][0],dp[s][j][0]+dp[rt][i-2-j][0]);
            }
    }
}
void init(){
    for(int i=0;i<maxn;i++) sons[i].clear();
    memset(vis,0,sizeof(vis));
    memset(dp,0,sizeof(dp));
}
void print(){
    int ans=0;
    for(int i=0;i<=k;i++) ans=max(ans,dp[1][i][1]),ans=max(ans,dp[1][i][0]);
    cout<<ans<<endl;
}
int main(){
    int i,j,n,a,b;
    while(cin>>n>>k){
        init();
        for(i=1;i<=n;i++) cin>>val[i];
        for(i=1;i<n;i++){
            cin>>a>>b;
            sons[a].push_back(b);
            sons[b].push_back(a);
        }
        dfs(1);
        print();
    }
    return 0;
}

【轴承故障诊断】加权多尺度字典学习模型(WMSDL)及其在轴承故障诊断上的应用(Matlab代码实现)内容概要:本文介绍了加权多尺度字典学习模型(WMSDL)在轴承故障诊断中的应用,并提供了基于Matlab的代码实现。该模型结合多尺度分析与字典学习技术,能够有效提取轴承振动信号中的故障特征,提升故障识别精度。文档重点阐述了WMSDL模型的理论基础、算法流程及其在实际故障诊断中的实施步骤,展示了其相较于传统方法在特征表达能力和诊断准确性方面的优势。同时,文中还提及该资源属于一个涵盖多个科研方向的技术合集,包括智能优化算法、机器学习、信号处理、电力系统等多个领域的Matlab仿真案例。; 适合人群:具备一定信号处理和机器学习基础,从事机械故障诊断、工业自动化、智能制造等相关领域的研究生、科研人员及工程技术人员。; 使用场景及目标:①学习并掌握加权多尺度字典学习模型的基本原理与实现方法;②将其应用于旋转机械的轴承故障特征提取与智能诊断;③结合实际工程数据复现算法,提升故障诊断系统的准确性和鲁棒性。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,重点关注字典学习的训练过程与多尺度分解的实现细节,同时可参考文中提到的其他相关技术(如VMD、CNN、BILSTM等)进行对比实验与算法优化。
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