POJ3613 Cow Relays 倍增floyd求最短路

本文介绍了一道关于寻找最短路径的问题,并通过使用Floyd算法和倍增思想优化了算法的时间复杂度,实现从起点S跳转N次到达终点E的最优解。

第十届河南省赛I题~


题意:从起点S,到终点E,跳上N次,花费的最小值是多少

其中全图有M条边,表示从A点到B点花费L值


首先注意到这个题点的标号不是常规的1到n,不是连续的,可以重新对点进行标号

图论题,最短路径问题首先想模板,因为点数少,所以floyd:n^3可以求出任意两点之间的最短路径


这个题的最大问题是:跳上N次(N最大是1e6)

挑战程序设计竞赛里面专门有一章讲述的是倍增的思想:跳上N次的最优值,我们不可能1次1次去跳

但是我们可以1次2次4次8次去跳啊~

那么我们就把O(N)降到了O(log(N))


所以我们首先把题目的数据输入记录成dist【0】【A】【B】=dist【0】【B】【A】=L,即2^0=1,这是我们跳跃1次的最优值

然后倍增floyd预处理

接着,我们以S为起点,记录从S出发,将N次分解,不断更新其最优值


#include<stdio.h>
#include<string.h>
#include<algorithm>
using namespace std;

const int INF=1e9;
const int maxv=150;
const int maxi=1050;
const int maxl=20;

int N,V,T,S,E;
int dist[maxl][maxv][maxv];
int best[maxv],best2[maxv];
int id[maxi];

int main(){
	//freopen("input.txt","r",stdin);
	while(scanf("%d%d%d%d",&N,&T,&S,&E)!=EOF){
		memset(id,-1,sizeof(id));
		memset(dist,63,sizeof(dist));
		memset(best,63,sizeof(best));
		int A,B,L;
		V=0;
		while(T--){
			scanf("%d%d%d",&L,&A,&B);
			if (id[A]==-1) id[A]=V++;
			if (id[B]==-1) id[B]=V++;
			dist[0][id[A]][id[B]]=dist[0][id[B]][id[A]]=L;
		}
		for(int p=1;(1<<p)<=N;p++)
			for(int i=0;i<V;i++)
				for(int j=0;j<V;j++)
					if (dist[p-1][i][j]<INF)
						for(int k=0;k<V;k++)
							dist[p][i][k]=min(dist[p][i][k],dist[p-1][i][j]+dist[p-1][j][k]);
		best[id[S]]=0;
		for(int p=0;(1<<p)<=N;p++)
			if (N&(1<<p)){
				memset(best2,63,sizeof(best2));
				for(int i=0;i<V;i++)
					if (best[i]<INF)
						for(int j=0;j<V;j++)
							best2[j]=min(best2[j],best[i]+dist[p][i][j]);
				memcpy(best,best2,sizeof(best2));
			}
		printf("%d\n",best[id[E]]);
	}
	return 0;
}


内容概要:本文介绍了一个基于MATLAB实现的无人机三维路径规划项目,采用蚁群算法(ACO)与多层感知机(MLP)相结合的混合模型(ACO-MLP)。该模型通过三维环境离散化建模,利用ACO进行全局路径搜索,并引入MLP对环境特征进行自适应学习与启发因子优化,实现路径的动态调整与多目标优化。项目解决了高维空间建模、动态障碍规避、局部优陷阱、算法实时性及多目标权衡等关键技术难题,结合并行计算与参数自适应机制,提升了路径规划的智能性、安全性和工程适用性。文中提供了详细的模型架构、核心算法流程及MATLAB代码示例,涵盖空间建模、信息素更新、MLP训练与融合优化等关键步骤。; 适合人群:具备一定MATLAB编程基础,熟悉智能优化算法与神经网络的高校学生、科研人员及从事无人机路径规划相关工作的工程师;适合从事智能无人系统、自动驾驶、机器人导航等领域的研究人员; 使用场景及目标:①应用于复杂三维环境下的无人机路径规划,如城市物流、灾害救援、军事侦察等场景;②实现飞行安全、能耗优化、路径平滑与实时避障等多目标协同优化;③为智能无人系统的自主决策与环境适应能力提供算法支持; 阅读建议:此资源结合理论模型与MATLAB实践,建议读者在理解ACO与MLP基本原理的基础上,结合代码示例进行仿真调试,重点关注ACO-MLP融合机制、多目标优化函数设计及参数自适应策略的实现,以深入掌握混合智能算法在工程中的应用方法。
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