Codeforces Round #541 (Div. 2) D. Gourmet choice(并查集+拓扑排序)

本文介绍了一种解决特定序列构造问题的算法,通过矩阵形式表示两序列间元素的大小关系,利用并查集与拓扑排序实现序列构建,确保序列中元素尽可能小且满足给定关系。
题目连接
题意

给你两个长度分别为 n,m的正整数序列 a,b。以矩阵形式给出所有 a i {a_i} ai b j b_j bj(1≤i≤n,1≤j≤m) 的大小关系(>,<,=)。构造符合条件的 a 和 b序列,且 a,b 中最大元素尽量小。无解,输出No。

思路

将每个元素设为一个节点,两者元素如果相同则用并查集合并,最后对合并后的点建图。
如a>b,b到a存在一条单向边
a<b,a到b存在一条单向边
记录所有边出度,进行拓扑排序,按拓扑排序从1开始标号。对于一个集合的点标号相同。
有环无解,无环输出标号即可。

代码
#include <bits/stdc++.h>
using namespace std;

int f[2005], de[2005], ans[2005], book[2005];
char s[1005][1005];
vector<int> e[2005];
queue<int> q;

int getf(int a)
{
    return a == f[a] ? a : f[a] = getf(f[a]);
}

int main()
{
    int n, m;
    scanf("%d%d",&n,&m);
    for(int i = 1; i <= n+m; ++i) f[i] = i;
    for(int i = 1; i <= n; ++i)
    {
        scanf("%s",s[i]+1);
        for(int j = 1; j <= m; ++j)
            if(s[i][j] == '=') f[getf(n+j)] = getf(i);
    }

    for(int i = 1; i <= n; ++i)
    {
        for(int j = 1; j <= m; ++j)
        {
            if(s[i][j] == '>') ++de[getf(i)], e[getf(n+j)].push_back(getf(i));
            if(s[i][j] == '<') ++de[getf(n+j)], e[getf(i)].push_back(getf(n+j));
        }
    }
    for(int i = 1; i <= n+m; ++i)
        if(!de[getf(i)] && !book[getf(i)]) q.push(getf(i)), ans[getf(i)] = 1, book[getf(i)] = 1;
    while(!q.empty())
    {
        int u = getf(q.front());
        q.pop();
        for(auto v : e[u])
        {
            if(--de[getf(v)] == 0 && !book[getf(v)])
            {
                book[getf(v)] = 1;
                ans[getf(v)] = ans[u]+1;
                q.push(getf(v));
            }
        }
    }
    for(int i = 1; i <= n+m; ++i) if(de[i]) return !printf("No\n");
    printf("Yes\n");
    for(int i = 1; i <= n+m; ++i) printf("%d%c",ans[getf(i)], i == n ? '\n' : ' ');
    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
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