hdu3377 Plan(轮廓线dp)

本文介绍了一种使用轮廓线动态规划方法解决特定矩阵路径寻找最大分数问题的算法。该方法适用于n*m的带权矩阵,目标是从左上角到右下角的路径,避免重复访问格子。通过巧妙的转化,引入插头概念,解决回路限制问题,确保状态转移的有效性。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

传送门
题意简述:给一个n*m的带权矩阵,求从左上角走到右下角的最大分数,每个格子只能经过最多一次, n , m ≤ 9 n,m\le9 n,m9


思路:
考虑轮廓线 d p dp dp,但这道题并没有出现回路的限制因此需要一点巧妙地转化。
我们在加入初始值时规定第一个位置可以来一个插头,然后最后统计到最后一个点的时候特判有没有多余的插头即可。
注意在转移过程中如果有连上两个插头刚好会产生回路的状态要舍弃掉。
代码:

#include<bits/stdc++.h>
#define ri register int
using namespace std;
inline int read(){
	int ans=0,w=1;
	char ch=getchar();
	while(!isdigit(ch)){if(ch=='-')w=-1;ch=getchar();}
	while(isdigit(ch))ans=(ans<<3)+(ans<<1)+(ch^48),ch=getchar();
	return ans*w;
}
const int mod=1e6+7;
struct Hash{
	int mx[mod],idx[mod],tot,sta[mod];
	inline void clear(){tot=0,memset(idx,-1,sizeof(idx));}
	inline void insert(int stat,int mxn){
		int pos=stat%mod;
		if(!pos)++pos;
		while(~idx[pos]&&sta[idx[pos]]!=stat)pos=pos==mod-1?1:pos+1;
		if(~idx[pos])mx[idx[pos]]=max(mx[idx[pos]],mxn);
		else mx[idx[pos]=++tot]=mxn,sta[tot]=stat;
	}
}f[2];
int ans,n,m,a[15][15],Cas=0;
bool cur,mp[15][15];
inline int getbit(int x,int p){return (x>>((p-1)<<1))&3;}
inline void update(int&x,int p,int v){x^=(getbit(x,p)^v)<<((p-1)<<1);}
inline void solve(){
	f[cur=0].clear(),f[cur].insert(1,0),ans=-1e9;
	for(ri i=1;i<=n;++i){
		for(ri j=1;j<=m;++j){
			f[(cur^=1)].clear();
			for(ri mx,stat,p,q,tt=1;tt<=f[cur^1].tot;++tt){
				stat=f[cur^1].sta[tt],p=getbit(stat,j),q=getbit(stat,j+1),mx=f[cur^1].mx[tt];
				if(p==1&&q==2)continue;
				if(!(p+q)){
					f[cur].insert(stat,mx);
					if(mp[i][j+1]&&mp[i+1][j])update(stat,j,1),update(stat,j+1,2),f[cur].insert(stat,mx+a[i][j]);
					continue;
				}
				if((p>0)^(q>0)){
					if(i==n&&j==m){
						update(stat,j,0),update(stat,j+1,0);
						if(!stat)ans=max(ans,mx+a[i][j]);
						continue;
					}
					if(mp[i+(p>0)][j+(q>0)])f[cur].insert(stat,mx+a[i][j]);
					if(mp[i+(q>0)][j+(p>0)])update(stat,j,q),update(stat,j+1,p),f[cur].insert(stat,mx+a[i][j]);
					continue;
				}
				update(stat,j,0),update(stat,j+1,0);
				if(p==2&&q==1){f[cur].insert(stat,mx+a[i][j]);continue;}
				if(p==1){
					for(ri cnt=1,k=j+2,bit;k<=m+1;++k){
						bit=getbit(stat,k);
						if(bit==1)++cnt;
						if(bit==2)--cnt;
						if(!cnt){update(stat,k,1),f[cur].insert(stat,mx+a[i][j]);break;}
					}
					continue;
				}
				for(ri cnt=-1,k=j-1,bit;k;--k){
					bit=getbit(stat,k);
					if(bit==1)++cnt;
					if(bit==2)--cnt;
					if(!cnt){update(stat,k,2),f[cur].insert(stat,mx+a[i][j]);break;}
				}
			}
		}
		for(ri j=1;j<=f[cur].tot;++j)f[cur].sta[j]<<=2; 
	}
}
int main(){
	while(~scanf("%d%d",&n,&m)){
		++Cas,memset(mp,0,sizeof(mp)),memset(a,0,sizeof(a));
		for(ri i=1;i<=n;++i)for(ri j=1;j<=m;++j)a[i][j]=read(),mp[i][j]=1;
		solve(),cout<<"Case "<<Cas<<": "<<ans<<'\n';
	}
	return 0;
}
内容概要:本文介绍了基于SMA-BP黏菌优化算法优化反向传播神经网络(BP)进行多变量回归预测的项目实例。项目旨在通过SMA优化BP神经网络的权重和阈值,解决BP神经网络易陷入局部最优、收敛速度慢及参数调优困难等问题。SMA算法模拟黏菌寻找食物的行为,具备优秀的全局搜索能力,能有效提高模型的预测准确性和训练效率。项目涵盖了数据预处理、模型设计、算法实现、性能验证等环节,适用于多变量非线性数据的建模和预测。; 适合人群:具备一定机器学习基础,特别是对神经网络和优化算法有一定了解的研发人员、数据科学家和研究人员。; 使用场景及目标:① 提升多变量回归模型的预测准确性,特别是在工业过程控制、金融风险管理等领域;② 加速神经网络训练过程,减少迭代次数和训练时间;③ 提高模型的稳定性和泛化能力,确保模型在不同数据集上均能保持良好表现;④ 推动智能优化算法与深度学习的融合创新,促进多领域复杂数据分析能力的提升。; 其他说明:项目采用Python实现,包含详细的代码示例和注释,便于理解和二次开发。模型架构由数据预处理模块、基于SMA优化的BP神经网络训练模块以及模型预测与评估模块组成,各模块接口清晰,便于扩展和维护。此外,项目还提供了多种评价指标和可视化分析方法,确保实验结果科学可信。
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