动态规划

No.1 硬币
在这里插入图片描述

#include<bits/stdc++.h>
using namespace std; 
#define MAX 0x3f3f3f3f
int main(){
	int A[]={2,5,7} ,M;
	cin>>M;
	int n=3;
	int f[M+1];//因为要用到f[M]
	f[0]=0;//初始化
	for(int i=1;i<=M;i++){
		f[i]=MAX;//全部初始化
		for(int j=0;j<n;j++){
			if(i-A[j]>=0&&i-A[j]!=MAX){//判断
				f[i]=min(f[i-A[j]]+1,f[i]);
			}
		}
	}
	if(f[M]==MAX) cout<<"-1"<<endl;
	else cout<<f[M]<<endl;
	return 0;
}

No.2机器人走到右下角

- 求计数型动态规划

  • 1.确定状态
  • 最后一步可以通过前一步(上或者左)相加
  • 2.转化方程
  • f[i][j]=f[i-1][j]+f[i][j-1]
  • 3.初始条件及边界情况
  • f[0][0]=1;
  • i=0或者j=0时,f[i][j]=1;
  • 4.计算顺序
  • 二维题目:先第一行,,再第二,三行
#include<bits/stdc++.h>
using namespace std; 
#define MAX 0x3f3f3f3f
int main(){
	int m,n;
	cin>>m>>n;
	int f[110][110];//f[i][j]指机器人有多少种方式到右下角 
	for(int i=0;i<m;i++){//行
		for(int j=0;j<n;j++){//列
			if(i==0||j==0){
				f[i][j]=1;
			}
			else{
				f[i][j]=f[i-1][j]+f[i][j-1];
			}
		}
	}
	cout<<f[m-1][n-1]<<endl;
	return 0;
}

No.3小青蛙跳到最后一块石头上
**存在型动态规划

  • 最后一步:跳到n-1
    /前一步:跳到j,而且n-1-j<=a[j],所以转化为能不能跳到j

  • 转化方程:

在这里插入图片描述

  • 初始条件:f[0]=1;
  • 所求是f[n-1]
#include<bits/stdc++.h>
using namespace std; 
int main(){
	int n;
	cin>>n;
	int a[n],f[n];
	for(int i=0;i<n;i++){
		cin>>a[i];
	}
	f[0]=1;
	for(int j=1;j<n;j++){
		f[j]=0;
		for(int i=0;i<j;i++){
			if(f[i]&&j-i<=a[i]){
				f[j]=1;
				break;
			}
		}
	}
	cout<<f[n-1]<<endl;
	return 0;
}

~~未完待续,马上回来~

~~我回来啦~

No.4 最长上升子序列

  • 1.确定状态:
  • 2.转移方程:f[i]=max( f[i], f[j]+1 )
  • 3.初始条件:f[i]=1
  • 4.计算顺序:f[0]----->f[n-1]
#include<bits/stdc++.h>
using namespace std;
int a[100];
int f[100];
int main(){
	int n;
	cin>>n;
	for(int i=0;i<n;i++){
		cin>>a[i];
	}
	//重点 
	for(int i=0;i<n;i++){
		f[i]=1;
		for(int j=0;j<i;j++){
			if(a[i]>a[j]){
				f[i]=max(f[i],f[j]+1);
			}
		}
	} 
	//找出最大的上升序列 
	int maxx=f[0];
	for(int i=1;i<n;i++){
		if(f[i]>f[i-1]) maxx=f[i];
	} 
	cout<<maxx<<endl;
	return 0;
} 

No.5最大连续乘积
emmmm开始的时候混了,要是最大乘积的话只要筛选一下负数有多少个不就🆗了,所以肯定要考察连续乘积,和上升序列&连续上升序列不一样的地方。
注意负负得正,需要记下最大和最小值,我发现用max,min好方便哈哈哈,不过注意一次只能比较两个

#include<bits/stdc++.h>
using namespace std;
int a[100];
int ma[100],mi[100];
int main(){
	int n,maxval;
	cin>>n;
	for(int i=0;i<n;i++){
		cin>>a[i];
	}
	maxval=ma[0]=mi[0]=a[0];//初始化
	for(int i=1;i<n;i++){//注意昂,只能同时比较两个大小 
		ma[i]=max(max(ma[i-1]*a[i],mi[i-1]*a[i]),a[i]);
		mi[i]=min(min(ma[i-1]*a[i],mi[i-1]*a[i]),a[i]);
		maxval=max(maxval,ma[i]);
	} 		
	cout<<maxval<<endl;
	return 0;
} 
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。
评论 7
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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