poj 1691 状态压缩DP

本文介绍了一个使用动态规划解决的涂色问题。通过定义状态dp[statu][i]为在状态statu下所有块被涂色,且最后一个被涂的是i时所需的最少刷子拿起次数。特别注意,如果一个方块在另一个方块的上方有任何接触,则认为它们相邻。文章给出了详细的AC代码实现。

WA了一次。。。。

dp[statu][i] 表示状态statu中的块都已经涂了且最后一次涂得i所需要的最少拿起刷子次数

然后转移就是枚举所有的块,判断能否刷,能刷就更新

这题有一点要注意的是:只要是在该方块的上方有一部分接触就算邻接方块!!!

妈蛋!我开始还以为要全部邻接才行

AC代码如下:

#include <iostream>
#include <cstring>
#include <cstdio>
#include <algorithm>
using namespace std;

#define MAX 0x3f3f3f3f

struct Node{
    int x[2], y[2];
    int c;
};

Node node[20];
int N;
int dp[1<<16][16];

bool judge( int statu, int i ){
    bool mark[20];
    memset( mark, false, sizeof( mark ) );
    for( int k = 0; k < N; k++ ){
        if( k != i && node[k].x[1] == node[i].x[0] ){
            if( node[k].y[1] <= node[i].y[1] && node[k].y[0] >= node[i].y[0] ){
                mark[k] = true;
            }
			if( node[k].y[1] <= node[i].y[1] && node[k].y[1] > node[i].y[0] ){
                mark[k] = true;
            }
			if( node[k].y[0] >= node[i].y[0] && node[k].y[0] < node[i].y[1] ){
                mark[k] = true;
            }
        }
    }
    for( int k = 0; k < N; k++ ){
        if( mark[k] ){
            if( !( statu & ( 1 << k ) ) ){
                return false;
            }
        }
    }
    return true;
}

int main(){
    int T;

    scanf( "%d", &T );
    while( T-- ){
        scanf( "%d", &N );
        for( int i = 0; i < N; i++ ){
            scanf( "%d%d%d%d%d", &node[i].x[0], &node[i].y[0], &node[i].x[1], &node[i].y[1], &node[i].c );
        }
        memset( dp, -1, sizeof( dp ) );
        for( int i = 0; i < N; i++ ){
            if( node[i].x[0] == 0 ){
                dp[1<<i][i] = 1;
            }
        }
        for( int i = 0; i < ( 1 << N ); i++ ){
            for( int j = 0; j < N; j++ ){
                if( dp[i][j] != -1 ){
                    for( int k = 0; k < N; k++ ){
                        if( i & ( 1 << k ) ){
                            continue;
                        }
                        if( judge( i, k ) ){
                            if( node[j].c == node[k].c ){
                                if( dp[i|(1<<k)][k] == -1 ){
                                    dp[i|(1<<k)][k] = dp[i][j];
                                }else{
                                    dp[i|(1<<k)][k] = min( dp[i|(1<<k)][k], dp[i][j] );
                                }
                            }else{
                                if( dp[i|(1<<k)][k] == -1 ){
                                    dp[i|(1<<k)][k] = dp[i][j] + 1;
                                }else{
                                    dp[i|(1<<k)][k] = min( dp[i|(1<<k)][k], dp[i][j] + 1 );
                                }
                            }
                        }
                    }
                }
            }
        }
        int ans = MAX;
        for( int i = 0; i < N; i++ ){
			if( dp[(1<<N)-1][i] != -1 ){
				ans = min( ans, dp[(1<<N)-1][i] );
			}
        }
        cout << ans << endl;
    }
    return 0;
}


内容概要:本文系统介绍了算术优化算法(AOA)的基本原理、核心思想及Python实现方法,并通过图像分割的实际案例展示了其应用价值。AOA是一种基于种群的元启发式算法,其核心思想来源于四则运算,利用乘除运算进行全局勘探,加减运算进行局部开发,通过数学优化器加速函数(MOA)和数学优化概率(MOP)动态控制搜索过程,在全局探索与局部开发之间实现平衡。文章详细解析了算法的初始化、勘探与开发阶段的更新策略,并提供了完整的Python代码实现,结合Rastrigin函数进行测试验证。进一步地,以Flask框架搭建前后端分离系统,将AOA应用于图像分割任务,展示了其在实际工程中的可行性与高效性。最后,通过收敛速度、寻优精度等指标评估算法性能,并提出自适应参数调整、模型优化和并行计算等改进策略。; 适合人群:具备一定Python编程基础和优化算法基础知识的高校学生、科研人员及工程技术人员,尤其适合从事人工智能、图像处理、智能优化等领域的从业者;; 使用场景及目标:①理解元启发式算法的设计思想与实现机制;②掌握AOA在函数优化、图像分割等实际问题中的建模与求解方法;③学习如何将优化算法集成到Web系统中实现工程化应用;④为算法性能评估与改进提供实践参考; 阅读建议:建议读者结合代码逐行调试,深入理解算法流程中MOA与MOP的作用机制,尝试在不同测试函数上运行算法以观察性能差异,并可进一步扩展图像分割模块,引入更复杂的预处理或后处理技术以提升分割效果。
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