差分约束的简单总结

差分约束  在数学上  更多被称为线性规划

作为线性规划的一种特殊情况


“差分”即意味两个变量作差

“约束”则意味这个差  满足一些条件


比如  等于某个值   或   大于某个值   或   小于某个值

例 a - b >= x1

    b - c <= x2

    a - c == x3


而这类问题在计算机中  也一般只会要求你输出  第i个变量与第j个变量       的差    最大是多少    最小是多少

—————————————分界线———————————————

对于   大于等于小于  三种情况    在竞赛中不容易直接让电脑理会并得出需要的结果


差分约束   则是通过  将(不)等式转化为图论中的最短(长)路问题


类比    a - b >= x1       与          dis[a] - dis[b] >= x1            ==>        dis[a] >= dis[b] + x1

            b - c <= x2                   dis[b] - dis[c] <= x2            ==>        dis[c] >= dis[b] + (-x2)

            a - c == x3                   dis[a] - dis[c] <= x3                            dis[c] >= dis[a] + (-x3)

                                                 dis[a] - dis[c] >= x3                            dis[a] >= dis[c] + x3

                (1)                                         (2)                                                        (3)

——————————————分界线——————————————

如上  将(1)        最终转化成了          (3)

而(3)   则可以通过指定一点的dis为0   (例如  规定dis[a] = 0)

        然后从这个点开始求单源最长路 

        对于dis[c] >= dis[b] + (-x2)   则可以加一条边  从b到c   边权为-x2

        因为对于最长路   如果i能转移到j      一定有dis[j] >= dis[i] + w[i][j]  

        所以这样求出来的单源最长路一定是满足所有式子


1                但是有可能最后求出来   目标点的dis没有被赋值  

                    则说明从起点开始的约束    无法涉及到目标点

                  即目标点的值与起点的值   没有任何关系  可以为任意值

                

 2               也有可能有一个正环       导致死循环 

                    有正环则说明这一组式子不可满足   例如(a > b + 1   b > a + 1)

                

____________________________分界线_________________________________________

对于1情况   最终只需要看看dis[final]是不是初始状态就能判断

对于2情况   则限制了求最短(长)路只能用spfa     (dij不能有负环)

                    对于一次spfa   若某个点被访问了N次  则一定有环   (自证不难)便可由此判断


ps :  将上文的(3)组式子也可以改写成 a <= b + x的形式    那么就需要求单源最短路 

                                 因为最短路转移维护了   dis[v] <= dis[u] + x




来几道例题练练手吧

    poj3169        hdu3440        


再来一道不是那么好建图的。。          poj1275  

        (其实差分约束主要就难在建图。。)

                                        

            

内容概要:本文是一篇关于使用RandLANet模型对SensatUrban数据集进行点云语义分割的实战教程,系统介绍了从环境搭建、数据准备、模型训练与测试到精度评估的完整流程。文章详细说明了在Ubuntu系统下配置TensorFlow 2.2、CUDA及cuDNN等深度学习环境的方法,并指导用户下载和预处理SensatUrban数据集。随后,逐步讲解RandLANet代码的获取与运行方式,包括训练、测试命令的执行与参数含义,以及如何监控训练过程中的关键指标。最后,教程涵盖测试结果分析、向官方平台提交结果、解读评估报告及可视化效果等内容,并针对常见问题提供解决方案。; 适合人群:具备一定深度学习基础,熟悉Python编程和深度学习框架,从事计算机视觉或三维点云相关研究的学生、研究人员及工程师;适合希望动手实践点云语义分割项目的初学者与进阶者。; 使用场景及目标:①掌握RandLANet网络结构及其在点云语义分割任务中的应用;②学会完整部署一个点云分割项目,包括数据处理、模型训练、测试与性能评估;③为参与相关竞赛或科研项目提供技术支撑。; 阅读建议:建议读者结合提供的代码链接和密码访问完整资料,在本地或云端环境中边操作边学习,重点关注数据格式要求与训练参数设置,遇到问题时参考“常见问题与解决技巧”部分及时排查。
内容概要:本文详细介绍了三相异步电机SVPWM-DTC(空间矢量脉宽调制-直接转矩控制)的Simulink仿真实现方法,结合DTC响应快与SVPWM谐波小的优点,构建高性能电机控制系统。文章系统阐述了控制原理,包括定子磁链观测、转矩与磁链误差滞环比较、扇区判断及电压矢量选择,并通过SVPWM技术生成固定频率PWM信号,提升系统稳态性能。同时提供了完整的Simulink建模流程,涵盖电机本体、磁链观测器、误差比较、矢量选择、SVPWM调制、逆变器驱动等模块的搭建与参数设置,给出了仿真调试要点与预期结果,如电流正弦性、转矩响应快、磁链轨迹趋圆等,并提出了模型优化与扩展方向,如改进观测器、自适应滞环、弱磁控制和转速闭环等。; 适合人群:电气工程、自动化及相关专业本科生、研究生,从事电机控制算法开发的工程师,具备一定MATLAB/Simulink和电机控制理论基础的技术人员。; 使用场景及目标:①掌握SVPWM-DTC控制策略的核心原理与实现方式;②在Simulink中独立完成三相异步电机高性能控制系统的建模与仿真;③通过仿真验证控制算法有效性,为实际工程应用提供设计依据。; 阅读建议:学习过程中应结合文中提供的电机参数和模块配置逐步搭建模型,重点关注磁链观测、矢量选择表和SVPWM调制的实现细节,仿真时注意滞环宽度与开关频率的调试,建议配合MATLAB官方工具箱文档进行参数校准与结果分析。
已经博主授权,源码转载自 https://pan.quark.cn/s/bf1e0d5b9490 本文重点阐述了Vue2.0多Tab切换组件的封装实践,详细说明了通过封装Tab切换组件达成多Tab切换功能,从而满足日常应用需求。 知识点1:Vue2.0多Tab切换组件的封装* 借助封装Tab切换组件,达成多Tab切换功能* 支持tab切换、tab定位、tab自动化仿React多Tab实现知识点2:TabItems组件的应用* 在index.vue文件中应用TabItems组件,借助name属性设定tab的标题* 通过:isContTab属性来设定tab的内容* 能够采用子组件作为tab的内容知识点3:TabItems组件的样式* 借助index.less文件来设定TabItems组件的样式* 设定tab的标题样式、背景色彩、边框样式等* 使用animation达成tab的切换动画知识点4:Vue2.0多Tab切换组件的构建* 借助运用Vue2.0框架,达成多Tab切换组件的封装* 使用Vue2.0的组件化理念,达成TabItems组件的封装* 通过运用Vue2.0的指令和绑定机制,达成tab的切换功能知识点5:Vue2.0多Tab切换组件的优势* 达成多Tab切换功能,满足日常应用需求* 支持tab切换、tab定位、tab自动化仿React多Tab实现* 能够满足多样的业务需求,具备良好的扩展性知识点6:Vue2.0多Tab切换组件的应用场景* 能够应用于多样的业务场景,例如:管理系统、电商平台、社交媒体等* 能够满足不同的业务需求,例如:多Tab切换、数据展示、交互式操作等* 能够与其它Vue2.0组件结合运用,达成复杂的业务逻辑Vue2.0多Tab切换组件的封装实例提供了...
差分约束系统中,虽然标准解法是使用 **SPFA** 或 **Bellman-Ford** 算法来求解,但这两种算法实现相对复杂,尤其是要处理图结构、负权边、负环等问题。 如果你希望一个 **更简单、易实现、适合特定场景的算法**,我们可以考虑使用 **差分约束系统的简化版本 —— 差分数组** 或 **拓扑排序 + 动态规划** 的方法。 --- ## ✅ 一、差分数组法(适用于一维差分约束) ### 适用场景: - 所有变量是线性排列的(如 $ x_1, x_2, ..., x_n $) - 约束形式为: $$ x_i - x_{i-1} \leq c $$ 或 $$ x_{i-1} - x_i \leq c $$ ### 核心思想: 这种形式的差分约束可以转换为差分数组问题。我们设定: - $ d_i = x_i - x_{i-1} $ - 然后将所有约束转化为对 $ d_i $ 的限制 ### 示例代码(求满足所有差分约束下的最小解): ```cpp #include <iostream> #include <vector> #include <climits> using namespace std; int main() { int n, m; cin >> n >> m; vector<int> diff(n + 1, 0); // d[1..n] vector<int> min_val(n + 2, 0); // x[0..n] // 假设有 m 个形如 x_i - x_{i-1} <= c 的约束 for (int i = 0; i < m; ++i) { int l, r, c; cin >> l >> r >> c; // x_r - x_l <= c => x_l + ... >= x_r - c // 可以看作差分约束的一种形式 diff[r] = min(diff[r], c + x[l] - x[r]); } // 从 x[0] = 0 开始递推 for (int i = 1; i <= n; ++i) { min_val[i] = min_val[i - 1] + diff[i]; } for (int i = 1; i <= n; ++i) { cout << "x[" << i << "] = " << min_val[i] << endl; } return 0; } ``` --- ## ✅ 二、拓扑排序 + 动态规划(适用于 DAG) ### 适用场景: - 所有变量之间的约束构成一个 **有向无环图(DAG)** - 所有不等式可以转换为: $$ x_i \leq x_j + c $$ ### 核心思想: - 构造图:$ j \rightarrow i $,权值为 $ c $ - 使用拓扑排序 + 动态规划求最长路径(因为 $ x_i \leq x_j + c $ 实际是求最长路径的约束) ### 示例代码: ```cpp #include <iostream> #include <vector> #include <queue> using namespace std; const int MAXN = 100010; vector<pair<int, int>> graph[MAXN]; // u -> v, weight int in_degree[MAXN]; int dist[MAXN]; int main() { int n, m; cin >> n >> m; for (int i = 0; i < m; ++i) { int u, v, w; cin >> u >> v >> w; graph[u].push_back({v, w}); in_degree[v]++; } // 拓扑排序 queue<int> q; for (int i = 1; i <= n; ++i) { if (in_degree[i] == 0) { q.push(i); } dist[i] = 0; // 初始值设为 0 } while (!q.empty()) { int u = q.front(); q.pop(); for (auto e : graph[u]) { int v = e.first, w = e.second; if (dist[v] < dist[u] + w) { dist[v] = dist[u] + w; } in_degree[v]--; if (in_degree[v] == 0) q.push(v); } } // 输出所有变量的值 for (int i = 1; i <= n; ++i) { cout << "x[" << i << "] = " << dist[i] << endl; } return 0; } ``` --- ## ✅ 三、总结对比 | 方法 | 适用范围 | 是否简单 | 是否通用 | |------|-----------|----------|-----------| | Bellman-Ford / SPFA | 通用,适用于任意差分约束 | ❌ 稍复杂 | ✅ 是 | | 差分数组 | 仅适用于一维差分形式 | ✅ 简单 | ❌ 否 | | 拓扑排序 + 动态规划 | 适用于 DAG 构成的差分约束 | ✅ 简单 | ❌ 否 | --- ## ✅ 四、如何选择? - 如果变量是线性排列的,约束是相邻变量之间的差,使用 **差分数组** - 如果变量之间的依赖关系是 DAG,使用 **拓扑排序 + 动态规划** - 否则,使用 **SPFA / Bellman-Ford** ---
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