UVa系列——103/Stacking Boxes

引用请注明出处:http://blog.youkuaiyun.com/int64ago/article/details/7463401

这题的做法有点贪心的思想在里面,最后的处理也可以算是DP吧。根据贪心的思想,首先把每组从小到大排序,然后再根据字典序把按组排序,这样后面处理的时候会省很多处理,最后的DP有点像O(N*N)的最长递增子序列的实现。可能是为了好玩吧,第一次做题没有用c++和数组成分在里面(练习下指针大笑),所以用qsort不怎么熟悉,各组之间排序的时候用了一个小技巧,因为数据维度限制为10以下了,所以用double直接“哈希”了,最后0.008sAC的,个人觉得还能进一步优化的,但是算了吧,意义不大,刷版没意思。。。公司编译器不支持中文,注释就用了些英文。

#include  <stdio.h>
#include  <stdlib.h>
#include  <string.h>

int N, D;

struct cube{
	int *c;
	int seq;
	double sort_num;/*for the dimention of box is beside 10,there is a skill to sort boxes*/
};

/*
**sort each vector of boxes by increment
*/
int cmpD(const void *a, const void *b)
{
	return (*((int *)a) - *((int *)b));
}

/*
**sort boxes by increment
*/
int cmpN(const void *a, const void *b)
{
	if((((struct cube *)a)->sort_num - ((struct cube *)b)->sort_num) < 0)
		return -1;
	return 1;
}

/*
**define the compare-regular between boxes
*/
int is_nest(struct cube *a, struct cube *b)
{
	int i;
	for(i = 0; i < D; ++i){
		if(*(a->c + i) >= *(b->c + i))return 0;
	}
	return 1;
}


int main(int argc, char *argv[])
{
	while(scanf("%d%d", &N, &D ) != EOF){
	        struct cube *box = (struct cube*)malloc(sizeof(struct cube)*N);
		int i, j;
		for(i = 0; i < N; ++i){
		        (box + i)->c = (int *)malloc(sizeof(int)*D);
			for(j = 0; j < D; ++j)
				scanf("%d",((box + i)->c + j));
			qsort((box + i)->c, D, sizeof(int), cmpD);
			(box + i)->seq = i + 1;
			(box + i)->sort_num = 0;
			/*for sorting boxes*/
			for(j = 0; j < D; ++j){
				(box + i)->sort_num *= 10.0;
				(box + i)->sort_num += *((box + i)->c + j);
			}
		}
		qsort(box, N, sizeof(struct cube), cmpN);
		int *pre = (int *)malloc(sizeof(int)*N);
		int *nest_num = (int *)malloc(sizeof(int)*N);
		for(i = 0; i < N; ++i){
		    *(nest_num + i) = 1;
		    *(pre + i) = i;
                }
                /*get the final max nest-length and start position*/
		int gmax = 0, gk;
		for(i = N - 1; i >= 0; --i){
			int mmax = 0, k = i;/*get max nest-length and position of each loop*/
			for(j = i + 1; j < N; ++j)
				if(is_nest(box + i, box + j) && mmax <
						*(nest_num + j)){
					k = j;
					mmax = *(nest_num + j);
				}
			*(pre + i) = k;
			*(nest_num + i) += mmax;
			if(*(nest_num + i) > gmax){
				gmax = *(nest_num + i);
				gk = i;
			}
		}
		printf("%d\n", gmax);
		while(pre[gk] != gk){
			printf("%d ", (box + gk)->seq);
			gk = pre[gk];
		}/*here care the output format*/
		printf("%d\n", (box + gk)->seq);
		free(pre);
		free(nest_num);
		for(i = 0; i < N; ++i)
                        free((box + i)->c);
                free(box);
	}
	return 0;
}


MATLAB代码实现了一个基于多种智能优化算法优化RBF神经网络的回归预测模型,其核心是通过智能优化算法自动寻找最优的RBF扩展参数(spread),以提升预测精度。 1.主要功能 多算法优化RBF网络:使用多种智能优化算法优化RBF神经网络的核心参数spread。 回归预测:对输入特征进行回归预测,适用于连续值输出问题。 性能对比:对比不同优化算法在训练集和测试集上的预测性能,绘制适应度曲线、预测对比图、误差指标柱状图等。 2.算法步骤 数据准备:导入数据,随机打乱,划分训练集和测试集(默认7:3)。 数据归一化:使用mapminmax将输入和输出归一化到[0,1]区间。 标准RBF建模:使用固定spread=100建立基准RBF模型。 智能优化循环: 调用优化算法(从指定文件夹中读取算法文件)优化spread参数。 使用优化后的spread重新训练RBF网络。 评估预测结果,保存性能指标。 结果可视化: 绘制适应度曲线、训练集/测试集预测对比图。 绘制误差指标(MAE、RMSE、MAPE、MBE)柱状图。 十种智能优化算法分别是: GWO:灰狼算法 HBA:蜜獾算法 IAO:改进天鹰优化算法,改进①:Tent混沌映射种群初始化,改进②:自适应权重 MFO:飞蛾扑火算法 MPA:海洋捕食者算法 NGO:北方苍鹰算法 OOA:鱼鹰优化算法 RTH:红尾鹰算法 WOA:鲸鱼算法 ZOA:斑马算法
评论
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