emmm。。。 小的注意事项 一道水dp

本文介绍了一个使用动态规划解决特定序列问题的算法实现。该算法通过预先定义的状态转移方程来最大化序列中元素的得分,并详细展示了如何利用二维数组记录中间结果以达到此目的。
#include <vector>
#include <iostream>
#include <algorithm>
#include <cstdio>
using namespace std;


#define SZ(X) ((int)X.size())
#define pb push_back




const int N = 50009;
int a[N];
int dp[N][40];
int main()
{
    int t, w;
    cin >> t >> w;
    for(int i = 1; i <= t; i++){
        cin >> a[i];
    }
    if(a[1] == 1){
        dp[1][0] = 1;
        dp[1][1] = 0;
    } else{
        dp[1][0] = 0;
        dp[1][1] = 1;
    }
    int pos = 1;
    for(int i = 2; i <= t; i++){
        for(int j = 0; j <= w; j++){
            if(j == 0){
                dp[i][j] = dp[i-1][j] + a[i]%2;
                continue;
            }
            dp[i][j] = dp[i-1][j] > dp[i-1][j-1] ? dp[i-1][j] : dp[i-1][j-1];
            if((j&1) + 1 == a[i]){
                dp[i][j]++;
            }
        }
    }
    int ans = dp[t][0];
    for(int i = 0; i <= w; i++){
        ans = max(ans, dp[t][i]);
    }
    cout << ans << endl;

}

j&1 + 1 和 (j&1)+1 结果是不同的 因为&运算优先级比+小

【无人车路径跟踪】基于神经网络的数据驱动迭代学习控制(ILC)算法,用于具有未知模型和重复任务的非线性单输入单输出(SISO)离散时间系统的无人车的路径跟踪(Matlab代码实现)内容概要:本文介绍了一种基于神经网络的数据驱动迭代学习控制(ILC)算法,用于解决具有未知模型和重复任务的非线性单输入单输出(SISO)离散时间系统的无人车路径跟踪问题,并提供了完整的Matlab代码实现。该方法无需精确系统模型,通过数据驱动方式结合神经网络逼近系统动态,利用迭代学习机制不断提升控制性能,从而实现高精度的路径跟踪控制。文档还列举了大量相关科研方向和技术应用案例,涵盖智能优化算法、机器学习、路径规划、电力系统等多个领域,展示了该技术在科研仿真中的广泛应用前景。; 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、科研人员及从事无人车控制、智能算法开发的工程技术人员。; 使用场景及目标:①应用于无人车在重复任务下的高精度路径跟踪控制;②为缺乏精确数学模型的非线性系统提供有效的控制策略设计思路;③作为科研复现与算法验证的学习资源,推动数据驱动控制方法的研究与应用。; 阅读建议:建议读者结合Matlab代码深入理解算法实现细节,重点关注神经网络与ILC的结合机制,并尝试在不同仿真环境中进行参数调优与性能对比,以掌握数据驱动控制的核心思想与工程应用技巧。
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