soj 1176. Two Ends

思路:

正向递归:

1)如果还剩n个数(n>2)以上,那么,模拟自己取右边的数,贪心的人取剩下n-1个数左右两段更大的一端;同理模拟自己取左边的数。

2)如果还剩2个数,那么自己取较大的一个

代码:TLE

#include <cstdio>
#define N 1002
int a[N], n, ans, t, Case = 0;
void dfs(int s, int e, int d)
{
	if (e - s == 1)
	{
		if (a[e]>a[s] && ans<d+a[e]-a[s]) ans = d+a[e]-a[s];
		else if (a[e]<a[s] && ans<d+a[s]-a[e]) ans = d+a[s]-a[e];
		return;
	}
	t = a[s];
	if (a[s+1] >= a[e]) dfs(s+2, e, d+t-a[s+1]);
	else dfs(s+1, e-1, d+t-a[e]);
	t = a[e];
	if (a[s] >= a[e-1]) dfs(s+1, e-1, d+t-a[s]);
	else dfs(s, e-2, d+t-a[e-1]);
}
int main()
{
	while (scanf("%d", &n), n)
	{
		for (int i = 1; i <= n; ++ i)
			scanf("%d", &a[i]);
		ans = 0;
		dfs(1, n, 0);
		printf("In game %d, the greedy strategy might lose by as many as %d points.\n", ++Case, ans);
	}
}

但是,细想一下不难发现,这样会超时,递归深度1000。

于是可以进行反向递推,先把所有剩下的2个数时的最大差值算出来,再算4个数,6个数,...,n个数即可。

代码:

#include <cstdio>
#define N 1002
#define abs(x) (x)<0?-(x):(x)
#define max(a,b) (a)<(b)?(b):(a)
int n, a[N], f[N][N], t1, t2, Case = 0;
int main()
{
	while (scanf("%d", &n), n)
	{
		for (int i = 1; i <= n; ++ i)
			scanf("%d", &a[i]);
		for (int i = 1; i < n; ++ i)
			f[i][i+1] = abs(a[i]-a[i+1]);
		for (int i = 4; i <= n; i += 2)
		{
			for (int j = 1; j+i-1 <= n; ++ j)
			{
				// take right end
				t1 = a[j+i-1];
				if (a[j] >= a[j+i-2])
				{ // greedy takes left end
					t1 -= a[j];
					t1 += f[j+1][j+i-2];
				}
				else
				{ // greedy takes right end
					t1 -= a[j+i-2];
					t1 += f[j][j+i-3];
				}
				// take left end
				t2 = a[j];
				if (a[j+1] >= a[j+i-1])
				{ // greedy takes left end
					t2 -= a[j+1];
					t2 += f[j+2][j+i-1];
				}
				else
				{ // greedy takes right end
					t2 -= a[j+i-1];
					t2 += f[j+1][j+i-2];
				}
				f[j][j+i-1] = max(t1, t2);
			}
		}
		printf("In game %d, the greedy strategy might lose by as many as %d points.\n", ++Case, f[1][n]);
	}
}

内容概要:本文围绕“基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究”展开,提出了一种结合Koopman算子理论与递归神经网络(RNN)的数据驱动建模方法,旨在对非线性纳米定位系统进行有效线性化建模,并实现高精度的模型预测控制(MPC)。该方法利用Koopman算子将非线性系统映射到高维线性空间,通过递归神经网络学习系统的动态演化规律,构建可解释性强、计算效率高的线性化模型,进而提升预测控制在复杂不确定性环境下的鲁棒性与跟踪精度。文中给出了完整的Matlab代码实现,涵盖数据预处理、网络训练、模型验证与MPC控制器设计等环节,具有较强的基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究(Matlab代码实现)可复现性和工程应用价值。; 适合人群:具备一定控制理论基础和Matlab编程能力的研究生、科研人员及自动化、精密仪器、机器人等方向的工程技术人员。; 使用场景及目标:①解决高精度纳米定位系统中非线性动态响应带来的控制难题;②实现复杂机电系统的数据驱动建模与预测控制一体化设计;③为非线性系统控制提供一种可替代传统机理建模的有效工具。; 阅读建议:建议结合提供的Matlab代码逐模块分析实现流程,重点关注Koopman观测矩阵构造、RNN网络结构设计与MPC控制器耦合机制,同时可通过替换实际系统数据进行迁移验证,深化对数据驱动控制方法的理解与应用能力。
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