1149 Dangerous Goods Packaging

危险品包装安全性判断算法
本文介绍了一种用于判断危险品包装序列安全性的算法。通过建立危险品之间的关联关系,算法能够快速检测出序列中是否存在匹配的危险组合,确保运输过程的安全。适用于危险品物流行业。

题目:Dangerous Goods Packaging

题目大意:给定不匹配的危险物品,判断要包装的物品序列是否安全。

思路:每扫描一个物品,将对应的危险品标记,如果出现匹配,则不安全,不是危险品就跳过。

CODE ⇩⇩⇩

#include <bits/stdc++.h>
using namespace std;
map<int,set<int>> mp;
int table[100000];
int main() {
    int n,m,x,y,cnt,ans;
    scanf("%d %d",&n,&m);
    while(n--){
        scanf("%d %d",&x,&y);
        mp[x].insert(y),mp[y].insert(x);
    }
    while(m--) {
        ans = 0;
        memset(table,0,sizeof(table));
        scanf("%d", &cnt);
        int curLis[cnt];
        for(int i = 0;i < cnt;i++)
            scanf("%d",&curLis[i]);
        for(int i = 0;i < cnt;i++){
            int cur = curLis[i];
            auto it = mp.find(cur);
            if (it == mp.end()) continue;
            if(!table[cur]) {
                for(auto itor: it->second) table[itor] = 1;
            }else{
                ans = 1;break;
            }
        }
        if(ans) printf("No\n");
        else printf("Yes\n");
    }
    return 0;
}

 

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)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”展开,旨在研究纳米定位系统的预测控制方法。通过结合数据驱动技术与Koopman算子理论,将非线性系统动态近似为高维线性系统,进而利用递归神经网络(RNN)建模并实现系统行为的精确预测。文中详细阐述了模型构建流程、线性化策略及在预测控制中的集成应用,并提供了完整的Matlab代码实现,便于科研人员复现实验、优化算法并拓展至其他精密控制系统。该方法有效提升了纳米级定位系统的控制精度与动态响应性能。; 适合人群:具备自动控制、机器学习或信号处理背景,熟悉Matlab编程,从事精密仪器控制、智能制造或先进控制算法研究的研究生、科研人员及工程技术人员。; 使用场景及目标:①实现非线性动态系统的数据驱动线性化建模;②提升纳米定位平台的轨迹跟踪与预测控制性能;③为高精度控制系统提供可复现的Koopman-RNN融合解决方案; 阅读建议:建议结合Matlab代码逐段理解算法实现细节,重点关注Koopman观测矩阵构造、RNN训练流程与模型预测控制器(MPC)的集成方式,鼓励在实际硬件平台上验证并调整参数以适应具体应用场景。
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