BZOJ 1486: [HNOI2009]最小圈 01分数规划+SPFA判环

这里写图片描述
这里写图片描述

Sample Input
4 5

1 2 5

2 3 5

3 1 5

2 4 3

4 1 3
Sample Output
3.66666667

解法:01分数规划+SPFA判环

///BZOJ 1486

#include <bits/stdc++.h>
using namespace std;
const int maxn = 3005;
const int maxm = 30005;
int n, m, edgecnt, head[maxn];
double dis[maxn];
bool vis[maxn];
struct edge{
    int v, nxt;
    double w;
    edge(){}
    edge(int v, int nxt, double w):v(v),nxt(nxt),w(w){}
}E[maxm];
int u[maxm], v[maxm];
double w[maxm];
void init(){
    memset(head, -1, sizeof(head));
    edgecnt=0;
}
void add(int u, int v, double w){
    E[edgecnt].v = v, E[edgecnt].nxt = head[u], E[edgecnt].w = w, head[u] = edgecnt++;
}
void build(double mid){
    init();
    for(int i=1; i<=m; i++) add(u[i],v[i],w[i]-mid);
}
int flag;
void spfa(int x){
    vis[x]=1;
    for(int i=head[x];i+1;i=E[i].nxt){
        int v=E[i].v;
        if(dis[x]+E[i].w<dis[v]){
            if(vis[v]){
                flag=1;
            }
            else{
                dis[v]=dis[x]+E[i].w;
                spfa(v);
            }
        }
    }
    vis[x]=0;
}
bool check(double mid){
    build(mid);
    memset(vis,0,sizeof(vis));
    memset(dis,0,sizeof(dis));
    flag=0;
    for(int i=1; i<=n; i++){
        spfa(i);
        if(flag) return 1;
    }
    return 0;
}
int main()
{
    scanf("%d%d", &n,&m);
    for(int i=1; i<=m; i++){
        scanf("%d%d%lf",&u[i],&v[i],&w[i]);
    }
    double l = -10000000, r = 10000000;
    for(int i=0; i<100; i++){
        double mid=(l+r)/2;
        if(check(mid)) r=mid;
        else l=mid;
    }
    printf("%.8f\n", l);
    return 0;
}
基于径向基函数神经网络RBFNN的自适应滑模控制学习(Matlab代码实现)内容概要:本文介绍了基于径向基函数神经网络(RBFNN)的自适应滑模控制方法,并提供了相应的Matlab代码实现。该方法结合了RBF神经网络的非线性逼近能力和滑模控制的强鲁棒性,用于解决复杂系统的控制问题,尤其适用于存在不确定性和外部干扰的动态系统。文中详细阐述了控制算法的设计思路、RBFNN的结构与权重更新机制、滑模面的构建以及自适应律的推导过程,并通过Matlab仿真验证了所提方法的有效性和稳定性。此外,文档还列举了大量相关的科研方向和技术应用,涵盖智能优化算法、机器学习、电力系统、路径规划等多个领域,展示了该技术的广泛应用前景。; 适合人群:具备一定自动控制理论基础和Matlab编程能力的研究生、科研人员及工程技术人员,特别是从事智能控制、非线性系统控制及相关领域的研究人员; 使用场景及目标:①学习和掌握RBF神经网络与滑模控制相结合的自适应控制策略设计方法;②应用于电机控制、机器人轨迹跟踪、电力电子系统等存在模型不确定性或外界扰动的实际控制系统中,提升控制精度与鲁棒性; 阅读建议:建议读者结合提供的Matlab代码进行仿真实践,深入理解算法实现细节,同时可参考文中提及的相关技术方向拓展研究思路,注重理论分析与仿真验证相结合。
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