2016CampDay1总结

今日campday1,包括热身赛与正赛。热身赛T1为去年题目,T2涉及最大子集问题。正赛较为简单,但队伍仅通过两题。详细解析解题方法,包括树上后缀数组、可持久化线段树、朴素bfs优化等。实现能力提升,但思维僵化。未来挑战将更难,需坚持改进。

今天是campday1,做下总结,
早上是热身赛,T1是去年出过的题目,T2是:给出一个{1,2..n}的集合,求一个最大的子集,满足x和2x+2不同时在这个子集当中;(n<=10^100)
赛后问了xg,感觉还是可做题,大概是说,直接枚举链的长度,根据长度,可以得出最后一项的范围,还没仔细想(
之后是day1的正赛,据叉姐说,这场是所有比赛中最简单的,结果我们还是只通过了两题。。。。大概讲述一下这套题的题解,以便之后补题的时候使用()
A:有两种做法,一种是建立树上后缀数组,之后再线段树,rmq搞搞,树上后缀数组的建法就是将串反转,然后利用倍增数组比较后缀的大小,还没写过();第二种做法就是利用可持久化线段树维护每个节点的go指针,这样就规避了跳f指针,保证了时间复杂度(已ac)
B:比赛的时候队友想出了做法,在朴素bfs的时候,只要将点的邻接表和未访问过的点做一个交集,再枚举交集中的点,由于一个点只会被访问一次,这样做的复杂度就能保证是O(n3/64)
C:splay维护叉积,有时间可以想下
D:dfs得到一棵随机生成树,黑白染色,白点等访问完了子树再访问,黑点立即访问,这样做相邻两次访问之间的距离最多为3
E:假如m==0,则只要将直线根据斜率排序,相邻的直线两两求交就得到凸包;m>0的时候还需要想下
F:有两种做法,一种是均摊维护前缀和和维护值,似乎能做到O(n2d/2),另一种将2^d分块
G:G是一个dp的题目,dp[i][j][k]代表第i层,使用了j个权值,还有k个节点待扩展。假如枚举一层有多少节点拿去扩展,复杂度是4方的,难以通过这题,仔细想下可以发现,我们只要一个一个转移,对于一种状态来说,要么将一个空余节点变成带权的节点,仍然停留在这一层;要么将所有的空余节点*r[i],并转移到下一层,这样就是O(n3)的做法了
H:似乎是将问题转化成从(0,0)走到(n,m)并且不能经过某些特殊点的方案数
I:某种搜索
J:将24种情况分类讨论,合并后只有8中不同的方案,这8种可以用树状数组计算,另外注意有一种情况需要用容斥计算

感觉今年的实现能力较去年明显提高,但是思维仍然十分僵化,感觉比赛的时候认真去想某些题还是有机会想出正解的;
之后的挑战会越来越难,希望能坚持。。。

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。
基于遗传算法的新的异构分布式系统任务调度算法研究(Matlab代码实现)内容概要:本文研究了一种基于遗传算法的新型异构分布式系统任务调度算法,并提供了Matlab代码实现。文章重点围绕异构环境中任务调度的优化问题,利用遗传算法进行求解,旨在提高资源利用率、降低任务完成时间并优化系统整体性能。文中详细阐述了算法的设计思路、编码方式、适应度函数构建、遗传操作流程及参数设置,并通过仿真实验验证了该算法相较于传统方法在调度效率和收敛性方面的优越性。此外,文档还列举了大量相关领域的研究案例和技术应用,涵盖电力系统、路径规划、车间调度、信号处理等多个方向,体现出较强的技术综合性与实践价值。; 适合人群:具备一定编程基础和优化算法知识的研究生、科研人员及从事智能优化、分布式系统调度、电力系统、自动化等相关领域的工程技术人员。; 使用场景及目标:①解决异构分布式系统中的任务调度优化问题;②学习遗传算法在实际工程问题中的建模与实现方法;③为科研项目提供算法参考与代码复现支持;④拓展多领域交叉应用的研究思路。; 阅读建议:建议读者结合Matlab代码深入理解算法实现细节,重点关注适应度函数设计与遗传操作流程,并尝试在不同场景下调整参数以观察性能变化。同时可参考文中列出的相关研究方向进行延伸探索,提升综合应用能力。
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