[HDU3359]Kind of a Blur && 高斯消元 陨石巨坑

本文详细介绍了如何解决陨石巨坑问题,通过读取输入数据并利用矩阵消元算法求解,同时讨论了矩阵操作中常见的陷阱和优化策略。

这是一道陨石巨坑的题 陨石巨坑 巨坑 

下面我讲一下坑在哪里 果断换红色

1.先读入宽度 !! 这该死的样例全是n*n

2.读入的是double !! 这该死的样例全是int

果断被坑N久 思路很简单 n*n个方程消元就行了

#include<cstdio>
#include<algorithm>
#include<cstdlib>
#include<cstring>
#include<cmath>
using namespace std;
#define eps 1e-6
#define EPS 1e-13
#define MAXN 200
#define MAXM 200
int n, m, D;
double pic[MAXN+10][MAXN+10];
int sgn(const double &x) {  return (x > eps) - (x < -eps); }
int ans[MAXN*MAXN+10];
template <int maxn, int maxm>
struct Maxtrix{
	int N, M, rank;
	Maxtrix() {}
	Maxtrix(int x, int y) { N = x; M = y; }
	double A[maxn+10][maxm+10];
	void init() { memset(A, 0, sizeof(A)); }
	void read()
	{
		for(int i = 0; i < N; i++)
			for(int j = 0; j <= M; j++)
				scanf("%lf", &A[i][j]);
	}
	void Gauss()
	{
		for(int i = 0, j = 0; i < N && j < N; i++, j++)
		{
			int r = i;
			for(int k = i + 1; k < N; k++) 
				if(fabs(A[k][j]) > fabs(A[r][j])) 
					r = k;
			if(r != i) for(int k = 0; k <= M; k++) swap(A[r][k], A[i][k]);
			
			if(fabs(A[i][j]) < EPS) 
			{
				i--;
				continue;
			}
			
			for(int k = 0; k < N; k++)
			{
				if(i == k) continue;
				double f = A[k][j] / A[i][j];
				for(int l = j; l <= M; l++) 
					A[k][l] -= f * A[i][l];
			}
		}
	}
};
Maxtrix <MAXN, MAXM> A;
int dis(int x1, int y1, int x2, int y2)
{
	return fabs(x1 - x2) + fabs(y1 - y2);
}
int id(int x, int y)
{
	return x * m + y;
}
void Build(int x, int y)
{
	int cnt = 0;
	int ID = id(x, y);
	for(int i = 0; i < n; i++)
		for(int j = 0; j < m; j++)
			if(dis(i, j, x, y) <= D)
			{
				int tid = id(i, j);
				A.A[ID][tid] = 1;
				cnt++;
			}
	A.A[ID][n*m] = pic[x][y] * cnt;
}
int main()
{
	int kase = 0;
	while(scanf("%d%d%d", &m, &n, &D) == 3 && n+m+D)
	{
		if(kase) puts("");
		for(int i = 0; i < n; i++)
			for(int j = 0; j < m; j++)
				scanf("%lf", &pic[i][j]);
		A.init();
		A.N = n*m;
		A.M = n*m+1;
		for(int i = 0; i < n; i++)
			for(int j = 0; j < m; j++)
				Build(i, j);
		A.Gauss();
		for(int i = 0; i < n; i++)
		{
			for(int j = 0; j < m; j++) 
				printf("%8.2lf", A.A[id(i, j)][n*m] / A.A[id(i, j)][id(i, j)]);
			puts("");
		}
		kase++;
	}
}


内容概要:本文介绍了一个基于MATLAB实现的无人机三维路径规划项目,采用蚁群算法(ACO)与多层感知机(MLP)相结合的混合模型(ACO-MLP)。该模型通过三维环境离散化建模,利用ACO进行全局路径搜索,并引入MLP对环境特征进行自适应学习与启发因子优化,实现路径的动态调整与多目标优化。项目解决了高维空间建模、动态障碍规避、局部最优陷阱、算法实时性及多目标权衡等关键技术难题,结合并行计算与参数自适应机制,提升了路径规划的智能性、安全性和工程适用性。文中提供了详细的模型架构、核心算法流程及MATLAB代码示,涵盖空间建模、信息素更新、MLP训练与融合优化等关键步骤。; 适合人群:具备一定MATLAB编程基础,熟悉智能优化算法与神经网络的高校学生、科研人员及从事无人机路径规划相关工作的工程师;适合从事智能无人系统、自动驾驶、机器人导航等领域的研究人员; 使用场景及目标:①应用于复杂三维环境下的无人机路径规划,如城市物流、灾害救援、军事侦察等场景;②实现飞行安全、能耗优化、路径平滑与实时避障等多目标协同优化;③为智能无人系统的自主决策与环境适应能力提供算法支持; 阅读建议:此资源结合理论模型与MATLAB实践,建议读者在理解ACO与MLP基本原理的基础上,结合代码示进行仿真调试,重点关注ACO-MLP融合机制、多目标优化函数设计及参数自适应策略的实现,以深入掌握混合智能算法在工程中的应用方法。
评论 1
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