ACM/ICPC 之 Bellman Ford练习题(ZOJ1791(POJ1613))

本文介绍了一个基于时间限制的最短路径问题,通过Bellman-Ford算法解决ZOJ1791(POJ1613)-CaveRaider题目,详细解析了如何处理字符串输入并应用到游戏场景中,实现对行走时间的精确控制。

这道题稍复杂一些,需要掌握字符串输入的处理+限制了可以行走的时间。

 


 

ZOJ1791(POJ1613)-Cave Raider

 

 

//限制行走时间的最短路
//POJ1613-ZOJ1791
//Time:16Ms	Memory:324K
#include<iostream>
#include<cstring>
#include<cstdio>
#include<algorithm>
using namespace std;

#define MAX	505
#define MAXT 55
#define MAXS MAXT*3
#define INF 0x3f3f3f3f

struct Edge {
	int u, v, w;
	int t[MAXT], lt;	//lt:开启与关闭时间点总和
}e[MAX];

int n, m, s, t;
int d[MAXT];

void bellman_ford()
{
	memset(d, 0x3f, sizeof(d));
	d[s] = 0;
	for (int i = 1; i <= n; i++)
		for (int j = 0; j < m; j++)
			for (int k = 1; k <= e[j].lt; k += 2)
			{
				int u = e[j].u, v = e[j].v;
				//tu:从u出发到v的时间
				int tu = max(d[u], e[j].t[k - 1]) + e[j].w;
				int tv = max(d[v], e[j].t[k - 1]) + e[j].w;
				if (tu <= e[j].t[k] || tv <= e[j].t[k])	//几次WA是因为没有取'='
				{
					if (tv <= e[j].t[k]) d[u] = min(d[u], tv);
					if (tu <= e[j].t[k]) d[v] = min(d[v], tu);
					break;
				}
			}
}

int main()
{
	char str[MAXS];
	while (scanf("%d", &n), n)
	{
		memset(e, 0, sizeof(e));
		scanf("%d%d%d", &m, &s, &t);
		for (int i = 0; i < m; i++)
		{
			scanf("%d%d%d", &e[i].u, &e[i].v, &e[i].w);
			e[i].lt = 1;
			cin.getline(str, MAXS);
			int len = strlen(str);
			for (int j = 0; j < len; j++)
			{
				bool flag = false;	//有无数值
				while (str[j] >= '0' && str[j] <= '9')
				{
					e[i].t[e[i].lt] = e[i].t[e[i].lt] * 10 + str[j++] - '0';
					flag = true;	//已记录数值
				}
				if (flag)	e[i].lt++;
			}
			e[i].t[e[i].lt] = INF;	//偶数时当做+∞,奇数时无用
		}

		bellman_ford();
		if (d[t] == INF) printf("*\n");
		else	printf("%d\n", d[t]);
	}
	return 0;
}

 

转载于:https://www.cnblogs.com/Inkblots/p/5472263.html

内容概要:本文介绍了基于贝叶斯优化的CNN-LSTM混合神经网络在时间序列预测中的应用,并提供了完整的Matlab代码实现。该模型结合了卷积神经网络(CNN)在特征提取方面的优势与长短期记忆网络(LSTM)在处理时序依赖问题上的强大能力,形成一种高效的混合预测架构。通过贝叶斯优化算法自动调参,提升了模型的预测精度与泛化能力,适用于风电、光伏、负荷、交通流等多种复杂非线性系统的预测任务。文中还展示了模型训练流程、参数优化机制及实际预测效果分析,突出其在科研与工程应用中的实用性。; 适合人群:具备一定机器学习基基于贝叶斯优化CNN-LSTM混合神经网络预测(Matlab代码实现)础和Matlab编程经验的高校研究生、科研人员及从事预测建模的工程技术人员,尤其适合关注深度学习与智能优化算法结合应用的研究者。; 使用场景及目标:①解决各类时间序列预测问题,如能源出力预测、电力负荷预测、环境数据预测等;②学习如何将CNN-LSTM模型与贝叶斯优化相结合,提升模型性能;③掌握Matlab环境下深度学习模型搭建与超参数自动优化的技术路线。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,重点关注贝叶斯优化模块与混合神经网络结构的设计逻辑,通过调整数据集和参数加深对模型工作机制的理解,同时可将其框架迁移至其他预测场景中验证效果。
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