Codeforces Round #702 (Div. 3) G. Old Floppy Drive

题意
给了n个数字,成一个环,最开始在第一个数字的位置上,每次移动就是向下移动一格。
m次询问,每次询问给出一个x,求最少要移动多少次,经过的数值之和≥x?

思路
询问次数,显然,每次询问需要一个log的做法。
我们维护一个前缀和sum,维护一个前缀和的最大值ma.
对于x,如果小于等于ma[n],也就是不用完整移动一轮就能找到答案,容易知道ma是单调不降的,可以二分快速找到。
对于剩下的,就说明ma[n]<x,那么我们要看每经过一轮大小会不会增加,因为x是正的。
如果sum[n]<=0,经过一轮不会增加,说明永远无法到达,输出-1。
否则我们就是要求一个最小的k,使得k * sum[n] + sum[o] >= x
那么答案就是k * n+ o
我们要让答案尽可能小,那么肯定要最小化k,所以这里的sum[o]取最大,其实也就是ma[n]。
那么要经过完成的跑完次数就是 ( x-ma[n] ) / sum[n] 这里要向上取整
所以就是 ( x-ma[n]-1 ) / sum[n] +1
对于o的位置 我们二分找到第一个出现的位置即可。


#include<bits/stdc++.h>
using namespace std;
const int N=3e5;
typedef long long ll;
ll sum[N],ma[N];
int main(){
    ma[0]=-2e9;
    int T;cin>>T;
    while(T--){
        int n,m;cin>>n>>m;
        for(int i=1;i<=n;i++){
            int x;cin>>x;
            sum[i]=sum[i-1]+x;
            ma[i]=max(ma[i-1],sum[i]);
        }
        while(m--){
            int x;cin>>x;
            if(ma[n]>=x){
                int ans=lower_bound(ma+1,ma+n+1,x)-ma;
                cout<<ans-1<<" ";
            }
            else{
                if(sum[n]<=0) cout<<-1<<" ";
                else{
                    ll cnt=(x-ma[n]-1)/sum[n]+1;
                    x-=cnt*sum[n];
                    int pos=lower_bound(ma+1,ma+n+1,x)-ma;
                    cout<<cnt*n+pos-1<<" ";

                }
            }
        }
        cout<<endl;
    }
    return 0;
}
内容概要:本文介绍了基于Koopman算子理论的模型预测控制(MPC)方法,用于非线性受控动力系统的状态估计与预测。通过将非线性系统近似为线性系统,利用数据驱动的方式构建Koopman观测器,实现对系统动态行为的有效建模与预测,并结合Matlab代码实现具体仿真案例,展示了该方法在处理复杂非线性系统中的可行性与优势。文中强调了状态估计在控制系统中的关键作用,特别是面对不确定性因素时,Koopman-MPC框架能够提供更为精确的预测性能。; 适合人群:具备一定控制理论基础和Matlab编程能力的研【状态估计】非线性受控动力系统的线性预测器——Koopman模型预测MPC(Matlab代码实现)究生、科研人员及从事自动化、电气工程、机械电子等相关领域的工程师;熟悉非线性系统建模与控制、对先进控制算法如MPC、状态估计感兴趣的技术人员。; 使用场景及目标:①应用于非线性系统的建模与预测控制设计,如机器人、航空航天、能源系统等领域;②用于提升含不确定性因素的动力系统状态估计精度;③为研究数据驱动型控制方法提供可复现的Matlab实现方案,促进理论与实际结合。; 阅读建议:建议读者结合提供的Matlab代码逐段理解算法实现流程,重点关注Koopman算子的构造、观测器设计及MPC优化求解部分,同时可参考文中提及的其他相关技术(如卡尔曼滤波、深度学习等)进行横向对比研究,以深化对该方法优势与局限性的认识。
内容概要:本文研究了基于物理信息神经网络(PINN)求解二阶常微分方程(ODE)边值问题的方法,并提供了完整的Matlab代码实现。文章通过将微分方程的物理规律嵌入神经网络损失函数中,利用神经网络的逼近能力求解边值问题,避免传统数值方法在网格划分和迭代收敛方面的局限性。文中详细介绍了PINN的基本原理、网络结构设计、损失函数构建及训练流程,并以典型二阶ODE边值问题为例进行仿真验证,展示了该方法的有效性和精度。此外,文档还附带多个相关科研方向的Matlab案例资源链接,涵盖状态估计、优PINN物理信息神经网络用于求解二阶常微分方程(ODE)的边值问题研究(Matlab代码实现)化调度、机器学习、信号处理等多个领域,突出其在科学研究中的实际应用价值。; 适合人群:具备一定数学基础和Matlab编程能力的理工科研究生、科研人员及从事科学计算、工程仿真等相关工作的技术人员。; 使用场景及目标:①用于求解传统数值方法难以处理的复杂或高维微分方程问题;②为科研工作者提供PINN方法的入门实践路径,推动其在物理建模、工程仿真等领域中的创新应用;③结合所提供的丰富资源拓展至电力系统、故障诊断、优化调度等交叉学科研究。; 阅读建议:建议读者结合文中的Matlab代码逐行理解PINN实现机制,动手复现并尝试修改方程形式与边界条件以加深理解,同时可参考附带资源扩展应用场景,提升科研效率与创新能力。
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

打赏作者

我不会c语言

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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