ACM/ICPC 之 卡卡的矩阵旅行-最小费用最大流(可做模板)(POJ3422)

本文介绍了一种解决最小费用最大流问题的拆点算法,通过将每个节点拆分为原点A和伪点B,建立特殊的边来确保正确计算费用和流量。文章详细解释了构图过程和SPFA算法的使用,最终通过最小费用最大流求解问题。

  将每个点拆分成原点A与伪点B,A->B有两条单向路(邻接表实现时需要建立一条反向的空边,并保证环路费用和为0),一条残留容量为1,费用为本身的负值(便于计算最短路),另一条残留容量+∞,费用为0(保证可以多次通过该点,但费用只计算一次)。

  另外伪点B与原点右侧与下方的点有一条单向路(邻接表实现需要建立反向空边),残留容量为+∞,费用为0。源点0到点1有一条单向路,残留容量为K(可以通过K次),最后一个点的伪点2*n*n与汇点2*n*n+1有一条单向边,残留容量为K,两条边的费用都为0。

  构图成功后,走一次最小费用最大流即可。

 

//最小费用最大流问题-拆点
//Time:47Ms     Memory:624K
#include<iostream>
#include<cstring>
#include<cstdio>
#include<algorithm>
#include<queue>
using namespace std;
#define MAX 55
#define MAXN 5005
#define INF 0x3f3f3f3f
struct Edge{
    int u,v,r,w,next;
    Edge(){}
    Edge(int U,int V,int R,int W,int N):u(U),v(V),r(R),w(W),next(N){}
}e[MAXN*8];
int n,k;
int s,t;
int h[MAXN],le;
int m[MAX][MAX];
int pre[MAXN];
int cost[MAXN];
bool vis[MAXN];
void add(int u,int v,int r,int w)
{
    e[le] = Edge(u,v,r,w,h[u]);   h[u] = le++;
    e[le] = Edge(v,u,0,-w,h[v]);   h[v] = le++;
}
void build()
{
    add(s, 1, k, 0);
    add(2*n*n, t, k, 0);
    for(int i = 1; i <= n*n; i++)
    {
        add(i, n*n+i, 1, -m[(i - 1)/n + 1][(i - 1)%n + 1]);
        add(i, n*n+i, k, 0);
        if(i % n)   add(i+n*n, i+1, INF, 0);
        if(i <= n*(n-1))    add(i+n*n, i+n, INF, 0);
    }
}
bool spfa()
{
    memset(pre,-1,sizeof(pre));
    memset(vis,false,sizeof(vis));
    memset(cost,INF,sizeof(cost));
    queue<int> q;
    q.push(s);
    cost[s] = 0;    vis[s] = true;
    while(!q.empty()){
        int cur = q.front();
        q.pop();    vis[cur] = false;
        for(int i = h[cur]; i != -1; i = e[i].next)
        {
            int v = e[i].v;
            if(e[i].r && cost[v] > cost[cur] + e[i].w){
                cost[v] = cost[cur] + e[i].w;
                pre[v] = i;
                if(!vis[v]){
                    vis[v] = true;  q.push(v);
                }
            }
        }
    }
    return cost[t] == INF? false: true;
}
int maxcostflow()
{
    int maxFlow = 0;
    while(spfa()){  //增广路
        int mind = INF;
        for(int i = pre[t]; i != -1; i = pre[e[i].u])
            mind = min(mind, e[i].r);
        for(int i = pre[t]; i != -1; i = pre[e[i].u])
        {
            e[i].r -= mind;
            e[i^1].r += mind;
        }
        maxFlow += mind*cost[t];
    }
    return maxFlow;
}
int main()
{
    //freopen("in.txt", "r", stdin);
    memset(h, -1, sizeof(h));
    scanf("%d%d", &n,&k);
    s = 0; t = 2*n*n+1;
    for(int i = 1; i <= n; i++)
        for(int j = 1; j <= n; j++)
            scanf("%d", &m[i][j]);
    build();
    printf("%d\n", -maxcostflow());
    return 0;
}

 

转载于:https://www.cnblogs.com/Inkblots/p/5719179.html

本研究基于扩展卡尔曼滤波(EKF)方法,构建了一套用于航天器姿态与轨道协同控制的仿真系统。该系统采用参数化编程设计,具备清晰的逻辑结构和详细的代码注释,便于用户根据具体需求调整参数。所提供的案例数据可直接在MATLAB环境中运行,无需额外预处理步骤,适用于计算机科学、电子信息工程及数学等相关专业学生的课程设计、综合实践或毕业课题。 在航天工程实践中,精确的姿态与轨道控制是保障深空探测、卫星组网及空间设施建设等任务成功实施的基础。扩展卡尔曼滤波作为一种适用于非线性动态系统的状态估计算法,能够有效处理系统模型中的不确定性与测量噪声,因此在航天器耦合控制领域具有重要应用价值。本研究实现的系统通过模块化设计,支持用户针对不同航天器平台或任务场景进行灵活配置,例如卫星轨道维持、飞行器交会对接或地外天体定点着陆等控制问题。 为提升系统的易用性与教学适用性,代码中关键算法步骤均附有说明性注释,有助于用户理解滤波器的初始化、状态预测、观测更新等核心流程。同时,系统兼容多个MATLAB版本(包括2014a、2019b及2024b),可适应不同的软件环境。通过实际操作该仿真系统,学生不仅能够深化对航天动力学与控制理论的认识,还可培养工程编程能力与实际问题分析技能,为后续从事相关技术研究或工程开发奠定基础。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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