二分图

本文深入探讨了图论中的关键算法,包括二分图的最大匹配、最小点覆盖与最大独立集,以及有向无环图的最小路径点覆盖与最大独立集。通过详细解析算法原理与实现,如染色法判断二分图、匈牙利算法进行最大匹配,以及有向图的传递闭包计算,为读者提供了全面的图算法理解。

二分图最小点覆盖:最少的点来覆盖所有的边,等于最大匹配数

二分图最大独立集:最大的点集满足点集内没有边(两两互相不可达),等于总点数-最大匹配数

有向无环图最小路径点覆盖:在有向图中,找出最少的路径使路径经过所有点.(每条路径经过的点不相同).先将有向图转化成二分图,每个点拆成两个点,一个出边,一个入边,再进行最大匹配,最小路径点覆盖等于有向图总点数-最大匹配数

有向无环图最小路径重复点覆盖:每条路径经过的点可以相同,先对有向图求传递闭包,再求最小路径覆盖.

有向无环图最大独立集:最大的点集满足点集内没有边,等于最小路径重复点覆盖.

有向图的传递闭包

        for(int k=1;k<=n;++k)
            for(int i=1;i<=n;++i)
                for(int j=1;j<=n;++j)
                g[i][j]|=g[i][k]&&g[k][j];

染色法判断二分图

#include<iostream>
#include<cstdio>
#include<cstring>
using namespace std;
const int N=1e5+10;
int h[N],nex[N<<1],to[N<<1],con=1;
int c[N],vis[N];
int dfs(int x)//O(n+m)不含奇数环即为二分图
{
    vis[x]=1;
    int d=c[x]==1?-1:1;
    for(int i=h[x];i;i=nex[i])
    {
        if(!c[to[i]])
        {
        c[to[i]]=d;
        dfs(to[i]);
        }
        if(c[to[i]]==c[x])
            return 1;
    }
    return 0;
}
int main()
{
    int n,m;cin>>n>>m;
    while(m--)
    {
        int a,b;scanf("%d%d",&a,&b);
        nex[con]=h[a];
        h[a]=con;
        to[con++]=b;
        nex[con]=h[b];
        h[b]=con;
        to[con++]=a;
    }
    int f=0;
    for(int i=1;i<=n;++i)
    {
        if(!vis[i])
        {
        c[i]=1;
        f=max(f,dfs(i));
        }
    }
    if(f)
    cout<<"No"<<endl;
    else
    cout<<"Yes"<<endl;
    return 0;
}

 匈牙利算法进行二分图的最大匹配

#include<iostream>
#include<cstdio>
#include<cstring>
using namespace std;
const int N=512,M=1e5+10;
int h[N],nex[M],to[M],con=1;
int match[N],vis[N];
int find(int x)
{
    for(int i=h[x];i;i=nex[i])
    {
        if(!vis[to[i]])
        {
            vis[to[i]]=1;
        if(!match[to[i]]||find(match[to[i]]))
        {
            match[to[i]]=x;
            return 1;
        }
        }
    }
    return 0;
}
int main()
{
    int n1,n2,m;cin>>n1>>n2>>m;
    while(m--)
    {
        int a,b;scanf("%d%d",&a,&b);
        nex[con]=h[a];
        h[a]=con;
        to[con++]=b;
    }
    int ans=0;
    for(int i=1;i<=n1;++i)
    {
        memset(vis,0,sizeof(vis));
        ans+=find(i);
    }
    cout<<ans<<endl;
    return 0;
}

  如果是无向图需要先进行一次dfs将从左向右的边标出来

 

const int N=128;
int h[N*N],to[128*128*4*2],nex[128*128*4*2],con=1,w[128*128*4*2];
int vis[N*N],mat[N*N];
void add(int a,int b)
{
    nex[con]=h[a];
    h[a]=con;
    to[con++]=b;
}
void dfs1(int now,int l)
{
    if(vis[now])
    return;
    vis[now]=1;
    for(int i=h[now];i;i=nex[i])
    {
        if(l)
        {
            w[i]=1;
            check++;
        }
        dfs1(to[i],l^1);
    }
    return;
}
int dfs(int now)
{
    for(int i=h[now];i;i=nex[i])
    {
        if(!w[i])
        continue;
        if(vis[to[i]])
        continue;
        vis[to[i]]=1;
        if(!mat[to[i]]||dfs(mat[to[i]]))
        {
            mat[to[i]]=now;
            return 1;
        }
    }
    return 0;
}
int main()
{
    freopen("1.txt","r",stdin);
    int n,ans=0;//n为无向图总点数
    for(int i=1;i<=n;++i)
    dfs1(i,1);//标记从左到右的边
    for(int i=1;i<=n;++i)//匈牙利算法
    {
        memset(vis,0,sizeof(vis));
        if(dfs(i))
        ans++;
    }
    cout<<ans<<endl;
    return 0;
}

 

【四轴飞行器】非线性三自由度四轴飞行器模拟器研究(Matlab代码实现)内容概要:本文围绕非线性三自由度四轴飞行器模拟器的研究展开,重点介绍基于Matlab代码实现的四轴飞行器动力学建模与仿真方法。研究构建了考虑非线性特性的飞行器数学模型,涵盖姿态动力学与运动学方程,实现了三自由度(滚转、俯仰、偏航)的精确模拟。文中详细阐述了系统建模过程、控制算法设计思路及仿真结果分析,帮助读者深入理解四轴飞行器的飞行动力学特性与控制机制;同时,该模拟器可用于算法验证、控制器设计与教学实验。; 适合人群:具备一定自动控制理论基础和Matlab编程能力的高校学生、科研人员及无人机相关领域的工程技术人员,尤其适合从事飞行器建模、控制算法开发的研究生和初级研究人员。; 使用场景及目标:①用于四轴飞行器非线性动力学特性的学习与仿真验证;②作为控制器(如PID、LQR、MPC等)设计与测试的仿真平台;③支持无人机控制系统教学与科研项目开发,提升对姿态控制与系统仿真的理解。; 阅读建议:建议读者结合Matlab代码逐模块分析,重点关注动力学方程的推导与实现方式,动手运行并调试仿真程序,以加深对飞行器姿态控制过程的理解。同时可扩展为六自由度模型或加入外部干扰以增强仿真真实性。
基于分布式模型预测控制DMPC的多智能体点对点过渡轨迹生成研究(Matlab代码实现)内容概要:本文围绕“基于分布式模型预测控制(DMPC)的多智能体点对点过渡轨迹生成研究”展开,重点介绍如何利用DMPC方法实现多智能体系统在复杂环境下的协同轨迹规划与控制。文中结合Matlab代码实现,详细阐述了DMPC的基本原理、数学建模过程以及在多智能体系统中的具体应用,涵盖点对点转移、避障处理、状态约束与通信拓扑等关键技术环节。研究强调算法的分布式特性,提升系统的可扩展性与鲁棒性,适用于多无人机、无人车编队等场景。同时,文档列举了大量相关科研方向与代码资源,展示了DMPC在路径规划、协同控制、电力系统、信号处理等多领域的广泛应用。; 适合人群:具备一定自动化、控制理论或机器人学基础的研究生、科研人员及从事智能系统开发的工程技术人员;熟悉Matlab/Simulink仿真环境,对多智能体协同控制、优化算法有一定兴趣或研究需求的人员。; 使用场景及目标:①用于多智能体系统的轨迹生成与协同控制研究,如无人机集群、无人驾驶车队等;②作为DMPC算法学习与仿真实践的参考资料,帮助理解分布式优化与模型预测控制的结合机制;③支撑科研论文复现、毕业设计或项目开发中的算法验证与性能对比。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,重点关注DMPC的优化建模、约束处理与信息交互机制;按文档结构逐步学习,同时参考文中提及的路径规划、协同控制等相关案例,加深对分布式控制系统的整体理解。
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