状态dp hdu1074

本文通过一个具体的竞赛题目,详细介绍了如何使用结构体存储数据,并采用动态规划算法求解最优方案。文章首先定义了两个结构体类型用于表示任务及其完成情况,随后利用动态规划的方法在所有可能的任务组合中寻找得分最低的解决方案。

http://blog.youkuaiyun.com/libin56842/article/details/24316493

再做还是会卡一些地方。。。


要习惯用结构体来存储。。。

#include<algorithm>
#include<vector>
 #include<cstring>
#include<string>
#include<iomanip>
#include<cstdio>
#include<stack>
#include<iostream>
#include<map>
#include<queue>
#include<cmath>
#include<strstream>
using namespace std;
#define sf scanf
#define pf printf
#define mem(a,b) memset(a,b,sizeof(a));
#define rep(i,a,b) for(int i=(a);i<=(b);++i)
#define N 1000010
#define M 200020
#define mod 998244353
#define ULL unsigned long long
#define LL long long
#define inf 0x3f3f3f3f
#define ls (i<<1)
#define rs (ls|1)
#define md ((ll+rr)>>1)
#define mxn 1<<16


//2017年08月08日08:05:11   15min
struct Node{
    string name;
    int end,ned;
}a[50];
struct P{
    int pre,now;
    int time,score;
}dp[mxn];
int main(){
    freopen("in.txt","r",stdin);
    int T;sf("%d",&T);
    while(T--){
        mem(dp,0);
        int n;sf("%d",&n);
        rep(i,0,n-1){ cin>>a[i].name;sf("%d%d",&a[i].end,&a[i].ned); }
        int up=1<<n;
        for(int s=1;s<up;++s){
            dp[s].score=inf;
            for(int i=n-1;i>=0;--i){
                int tem=1<<i;
                if(tem&s){
                    int past=s-tem;
                    int st=dp[past].time+a[i].ned-a[i].end;
                    if(st<0)st=0;
                    if(st+dp[past].score<dp[s].score){
                        dp[s].score=dp[past].score+st;
                        dp[s].pre=past;
                        dp[s].now=i;
                        dp[s].time=dp[past].time+a[i].ned;
                    }
                }
            }
        }
        pf("%d\n",dp[up-1].score);
        vector<int>vec;
        int tmp=up-1;
        while(tmp){
            vec.push_back(dp[tmp].now);
            tmp=dp[tmp].pre;
        }
        for(int i=vec.size()-1;i>=0;--i){
            cout<<a[vec[i]].name<<'\n';
        }
    }
}


内容概要:本文系统阐述了智能物流路径规划的技术体系与实践应用,涵盖其发展背景、核心问题建模、关键算法、多目标与动态环境处理、系统架构及典型应用场景。文章以车辆路径问题(VRP)及其变体为核心数学模型,介绍了从Dijkstra、A*等单智能体算法到多车VRP的元启发式求解方法(如遗传算法、蚁群算法、大规模邻域搜索),并深入探讨了多目标优化(成本、时间、碳排放)与动态环境(实时订单、交通变化)下的自适应规划策略。结合城市配送、干线运输、场内物流等案例,展示了路径规划在提升效率、降低成本方面的实际价值,并分析了当前面临的复杂性、不确定性等挑战,展望了AI融合、数字孪生、车路协同等未来趋势。; 适合人群:具备一定物流、运筹学或计算机基础,从事智能交通、物流调度、算法研发等相关工作的技术人员与管理人员,工作年限1-5年为宜。; 使用场景及目标:①理解智能物流路径规划的整体技术架构与核心算法原理;②掌握VRP建模方法与多目标、动态环境下路径优化的实现策略;③为物流系统设计、算法选型与系统优化提供理论依据与实践参考; 阅读建议:建议结合文中案例与数学模型,重点理解算法选择与实际业务场景的匹配逻辑,关注动态规划与多目标优化的工程实现难点,可配合仿真工具或开源求解器进行实践验证。
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